Hangisi daha iyi, stl veya ayrışma?

10

R kullanarak zaman serisi analizi yapıyorum. Verilerimi trend, mevsimsel ve rastgele bileşenlere ayırmalıyım. 3 yıllık haftalık verilerim var. R - stl()ve 'de iki fonksiyon buldum decompose(). Bunun stl()çarpımsal ayrışma için iyi olmadığını okudum . Biri bana bu fonksiyonların hangi senaryoda kullanılabileceğini söyleyebilir mi?

r time-series

— Arushi
kaynak

1

Sen aksi takdirde yakın denemek önerisine yığın değişimi ya göç gerekecek, sorununuza bir bağlam sağlamak gerekir ?stlve ?decompose.

— AdamO

4

Ben söylerdim STL. STL eğilim ve mevsimsel olarak bakınız: http://www.wessa.net/download/stl.pdf

Ayrıştırma yalnızca mevsimsel olarak buradaki belgelere bakın: http://stat.ethz.ch/R-manual/R-devel/library/stats/html/decompose.html

Onlarla çalışırken trend türünüzü (çarpımsal, katkı maddesi) ve sezon tipini (çarpımsal, katkı maddesi) eklediğinizden emin olun. Eğilimler bazen sönümleme faktörüne de sahip olabilir.

Çarpıcı bozunma ile, eğilim için demek istediğini varsayıyorum. Üstel büyüme fonksiyonunu ayrıştırmadığınız sürece, çarpımsal ayrışma kullanmanız olası değildir.

— ccsv
kaynak

Basit durumda çarpımsal ayrışma, altta yatan modelin Y = trend * mevsimsel * hata olduğu yerdir. Çarpımlayıcı modeller üstel olmayan bağlamlarda ortaya çıkar. Örneğin, satışlarda belirli bir trafik seviyeniz ve belirli bir dönüşüm oranınız vardır ve bu nedenle mevsimsel bileşen trendle orantılı olarak değişir. Çözüm Natalie'nin tanımladığı çözümdür.

5

decomposeR'deki fonksiyonun dezavantajları :

Trendin tahmini ilk birkaç ve son birkaç gözlem için mevcut değildir.
Mevsimsel bileşenin yıldan yıla tekrarlandığını varsayar.

Bu yüzden STL'yi tercih ederim. Önce veri kayıtlarını alıp sonra bileşenleri geri dönüştürerek çoklayıcı bir ayrışma elde etmek mümkündür.

— Natalie
kaynak

1

STL mevsimsellik elde etmek için daha gelişmiş bir tekniktir, yani mevsimsellik değişebilir, bu durum böyle değildir decompose.

STL'nin nasıl çalıştığını anlamak için:

algoritma her mevsimsel alt serisi tahmin eder (7 günlük bir mevsimsellikte, 7 alt serisi tahmin edecektir: Pazartesi zaman serisi, Salı zaman serisi, vb.),
daha sonra her bir alt dizide yetersiz bir gerileme yaparak yerel mevsimselliği tahmin edecektir.

Bu mevsimsellikte değişen etkiyi yakalamaya izin verir. Mevsimselliğinizin değişmesini istemiyorsanız (diğer bir deyişle, her bir alt dizinin tahmini etkisi tüm zaman serisinde sabit kalacaktır), mevsimsel pencereyi sonsuz veya "periyodik" olarak belirleyebilirsiniz. Bu, her alt dizinin ortalamasına eşittir ve tüm noktalara eşit ağırlık verir (artık "yerel" bir etkiniz yoktur). decomposemevsimsel alt bileşenler, STL'nin özel bir konfigürasyonu olan tüm zaman serinizde sabit kalacağından esasen aynıdır.

Burada oldukça iyi açıklanmıştır: https://www.otexts.org/fpp/6/1 .

STL mevsimselliği ek bir şekilde tahmin eder. Önceki kaynaktan birkaç sayfa sonra açıklandığı gibi, günlük dönüşümüne (veya Cox-Box dönüşümüne) başvurarak mevsimselliği çarpımsal bir şekilde tahmin edebilirsiniz.

— Tanguy
kaynak