การเลือกวิธีการสลายตัวตามฤดูกาล


20

การปรับตามฤดูกาลเป็นขั้นตอนสำคัญในการประมวลผลข้อมูลล่วงหน้าเพื่อการวิจัยเพิ่มเติม อย่างไรก็ตามนักวิจัยมีตัวเลือกมากมายสำหรับการแยกย่อยของแนวโน้มตามฤดูกาล ที่พบมากที่สุด (ตัดสินโดยจำนวนของการอ้างอิงในวรรณคดีเชิงประจักษ์) คู่แข่งวิธีการสลายตัวตามฤดูกาล X-11 (12) -ARIMA, TRAMO / ที่นั่ง (ทั้งการดำเนินการในDemetra + ) และ 's STL การค้นหาเพื่อหลีกเลี่ยงการสุ่มเลือกระหว่างเทคนิคการสลายตัวที่กล่าวถึงข้างต้น (หรือวิธีการง่าย ๆ เช่นตัวแปรตัวแปรตามฤดูกาล) ฉันต้องการทราบกลยุทธ์พื้นฐานที่นำไปสู่การเลือกวิธีการสลายตัวตามฤดูกาลได้อย่างมีประสิทธิภาพR

คำถามย่อยที่สำคัญหลายอย่าง (ยินดีต้อนรับลิงก์ไปยังการสนทนาด้วย) อาจเป็น:

  1. อะไรคือความเหมือนและความแตกต่างจุดแข็งและจุดอ่อนของวิธีการคืออะไร? มีกรณีพิเศษหรือไม่เมื่อวิธีการหนึ่งเป็นที่นิยมมากกว่าวิธีอื่น?
  2. คุณสามารถให้คำแนะนำทั่วไปกับสิ่งที่อยู่ในกล่องดำของวิธีการสลายตัวที่แตกต่างกันได้อย่างไร
  3. มีเทคนิคพิเศษในการเลือกพารามิเตอร์สำหรับวิธีการ (ฉันไม่พอใจกับค่าเริ่มต้นเสมอstlตัวอย่างเช่นมีพารามิเตอร์จำนวนมากที่ต้องจัดการกับบางครั้งฉันรู้สึกว่าฉันไม่รู้วิธีเลือกสิ่งเหล่านี้อย่างถูกวิธี)
  4. เป็นไปได้หรือไม่ที่จะแนะนำเกณฑ์บางอย่าง (สถิติ) ว่าอนุกรมเวลาได้รับการปรับตามฤดูกาลอย่างมีประสิทธิภาพ (การวิเคราะห์ความสัมพันธ์, ความหนาแน่นของสเปกตรัมหรือไม่? เกณฑ์ขนาดตัวอย่างขนาดเล็ก - ความทนทาน?)

1
คุณอาจสนใจคำตอบนี้และข้อมูลอ้างอิงที่ให้ไว้
javlacalle

คำตอบ:


4

หากคุณยินดีที่จะเรียนรู้ที่จะทำความเข้าใจกับการวินิจฉัย X12-ARIMA ให้ข้อมูลการวินิจฉัยที่มีตั้งแต่กราฟ (ASCII) ไปจนถึงตัวบ่งชี้กฎของหัวแม่มือ การเรียนรู้และทำความเข้าใจกับการวินิจฉัยเป็นเรื่องของการศึกษาในอนุกรมเวลาและการปรับตามฤดูกาล

ในทางกลับกันซอฟต์แวร์ X12-ARIMA เป็นม้าตัวเดียวในขณะที่การใช้ stl ใน R จะอนุญาตให้คุณทำสิ่งอื่นและเปลี่ยนไปใช้วิธีอื่น (แยกย่อย, dlm's ฯลฯ ) หากคุณต้องการ

ในทางกลับกัน X12-Arima ทำให้ง่ายต่อการรวมตัวแปรภายนอกและเพื่อระบุค่าผิดปกติ ฯลฯ


นั่นหมายความว่าฉันต้องเรียนรู้เทคนิคนอกเหนือจาก X12-ARIMA ก่อนเพราะเครื่องมือวินิจฉัยส่วนใหญ่มักจะซ่อนอยู่ในแพ็คเกจสถิติ จากมุมมองที่ใช้งานได้จริงเมื่อฉันลองกดสไตล์ลิงด้านล่างรับผลฉันพบว่า Tramo / ที่นั่งทำงานได้ดีขึ้น (ตัดสินโดยการทดสอบด้วยการหัวเราะด้วยตาเปล่า) กว่า X12-ARIMA สำหรับ stl I มักจะทำงานแบบลิงเหมือนกันดังนั้นสิ่งที่ฉันต้องการคือการเรียนรู้ศิลปะของการสลายตัวตามฤดูกาล (+1) สำหรับคำแนะนำทั่วไป!
Dmitrij Celov

ใน X-12-ARIMA .outไฟล์เริ่มต้นมีหน้าการวินิจฉัยและหากคุณอ่านคู่มือและเปิดอีกสองสามครั้งคุณจะมีหน้าและหน้าข้อมูลกราฟ ASCII และการวินิจฉัยอย่างแท้จริง มีการจัดระเบียบและกำหนดหมายเลขอย่างมีเหตุผลและการวินิจฉัยทั้งหมดกลับไปที่ส่วนข้อมูลที่มาจาก การทำความเข้าใจกับการวินิจฉัยเหล่านี้และการเรียนรู้สิ่งที่จำเป็นต่อการทำความเข้าใจคือการศึกษา การวินิจฉัยบางอย่างมีวิธีแก้ปัญหาที่ชาญฉลาด ไม่ยากที่จะได้รับข้อมูลส่วนใหญ่นี้ใส่ลงในไฟล์ที่คุณสามารถนำเข้าสู่ R เพื่อจัดการและทำกราฟอย่างเหมาะสม
Wayne

ในขณะนี้ (ถ้าไม่มีใครพยายามที่จะให้รายละเอียดเพิ่มเติม) ฉันทำเครื่องหมายสิ่งนี้ว่าถูกต้อง แต่สิ่งที่ฉันอยากรู้เป็นการส่วนตัวคือแนวทางปฏิบัติสิ่งที่กฎของหัวแม่มือและกราฟิกพิสูจน์ว่ามีประโยชน์และอีกมากมาย วิธีการอื่นจากผู้ที่ขุดลึกลงไปกว่าฉันมาก สมมติว่าฉันเป็นคนขี้เกียจนิดหน่อยที่จะอ่านคู่มือ แต่ถ้าคุณบอกว่าทำไปฉันน่าจะขอบคุณด้วยลิงก์ด้านล่าง ...
Dmitrij Celov

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.