Mevsimsel ayrışma yönteminin seçilmesi


20

Mevsimsel düzeltme , daha ileri araştırmalar için verilerin önişleminde önemli bir adımdır. Ancak araştırmacının trend döngüsü-mevsimsel ayrışma için bir dizi seçeneği vardır. En yaygın (ampirik literatürdeki atıf sayısına göre değerlendirilir) rakip mevsimsel ayrışma yöntemleri X-11 (12) -ARIMA, Tramo / Koltuklar (her ikisi de Demetra + 'da uygulanır ) ve ' s stl'dir . Yukarıda belirtilen ayrıştırma teknikleri (veya mevsimsel kukla değişkenler gibi diğer basit yöntemler) arasında rasgele seçimden kaçınmaya çalışarak, mevsimsel ayrışma yönteminin etkili bir şekilde seçilmesine yol açan temel bir strateji bilmek istiyorum.R,

Birkaç önemli alt soru (bir tartışma bağlantılarını da bekliyoruz) olabilir:

  1. Yöntemlerin benzerlikleri ve farklılıkları, güçlü ve zayıf noktaları nelerdir? Bir yöntemin diğerlerinden daha fazla tercih edildiği özel durumlar var mı?
  2. Farklı ayrıştırma yöntemlerinin kara kutunun içindekilere genel rehberlik sağlayabilir misiniz?
  3. Yöntemler için parametreleri seçen özel hileler var mı (her zaman varsayılanlardan memnun değilim, stlörneğin başa çıkmak için birçok parametre var, bazen sadece bunları doğru bir şekilde nasıl seçeceğimi bilmiyorum).
  4. Zaman serisinin mevsimsel olarak verimli bir şekilde ayarlandığını gösteren bazı (istatistiksel) kriterler önermek mümkün mü (korelogram analizi, spektral yoğunluk? Küçük örneklem büyüklüğü kriterleri? Sağlamlık?).

1
Bu yanıta ve orada verilen referanslara ilgi duyabilirsiniz .
javlacalle

Yanıtlar:


4

Teşhisi anlamayı öğrenmek istiyorsanız, X12-ARIMA, (ASCII) grafiklerden başparmak kuralı göstergelerine kadar değişen bir tekne yükü sunar. Teşhisi öğrenmek ve anlamak, zaman serileri ve mevsimsel uyum konusunda bir eğitimdir.

Öte yandan, X12-ARIMA yazılımı tek hileli bir midilli, Rl'de stl kullanmak başka şeyler yapmanıza ve isterseniz diğer yöntemlere (ayrıştırma, dlm'ler, vb.) Geçmenize izin verecektir.

Öte yandan, X12-Arima eksojen değişkenleri dahil etmeyi ve aykırı değerleri göstermeyi kolaylaştırır.


Bu, önce X12-ARIMA'nın ötesindeki püf noktalarını öğrenmek zorunda olduğum anlamına gelir, çünkü teşhis araçlarının çoğu genellikle istatistiksel paketlerde gizlidir. Pratik açıdan, maymun stili bas-sonuç-sonuç-denediğimde, Tramo / Seats'in X12-ARIMA'dan daha iyi çalıştığını (sadece gülen maymun testiyle görsel olarak değerlendirerek) stl I için buldum. genellikle aynı maymun tarzı işi yapar, bu yüzden istediğim mevsimsel ayrışma sanatını öğrenmek. (+1) genel kılavuzlar için!
Dmitrij Celov

X-12-ARIMA'da, varsayılan .outdosyada tanılama sayfaları vardır ve kılavuzu okuyup birkaçını açarsanız, kelimenin tam anlamıyla sayfa ve bilgi sayfaları, ASCII grafikleri ve tanılama olur. Çok mantıklı bir şekilde organize edilmiş ve numaralandırılmış ve tüm teşhisler, verilerinin geldiği bölüme geri dönüyor. Bu teşhisleri gözden geçirmek ve bunları anlamak için neyin gerekli olduğunu öğrenmek çok eğitici. Bazı teşhisler ustaca sezgisel tarama özelliğine sahiptir. Bu bilgilerin çoğunu manipüle etmek ve düzgün bir şekilde grafik oluşturmak için R'ye kolayca aktarabileceğiniz dosyalara koymak zor değildir.
Wayne

Şimdilik (kimse daha fazla ayrıntı vermeye çalışmazsa), bunu doğru olarak işaretliyorum, ancak kişisel olarak bilmek istediğim şey pratik bir rehber, hangi kural ve grafiklerin yararlı olduğunu kanıtladı ve birçok benden çok daha derine inenlerden nasıl yapılır. Diyelim ki kılavuzları okumak için biraz tembel biriyim, ama eğer söylerseniz, muhtemelen aşağıdaki bağlantılar sayesinde yapmalıyım ...
Dmitrij Celov

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.