Obliczanie wskaźników sezonowości dla złożonej sezonowości

Chcę prognozować artykuły detaliczne (według tygodnia) za pomocą wygładzania wykładniczego. W tej chwili utknąłem w sposobie obliczania, przechowywania i stosowania indeksów sesonalności.

Problem polega na tym, że wszystkie przykłady, które znalazłem, dotyczą pewnego rodzaju sezonowości. W moim przypadku mam następujące problemy: 1. Pory roku nie występują w tym samym tygodniu co roku: są ruchome. Mardi-gras, Wielki Post, Wielkanoc i kilka innych. 2. Są pory roku, które zmieniają się w zależności od roku. Na przykład jest święto narodowe. W zależności od tego, czy wakacje są blisko weekendu, klienci opuszczą miasto. To tak jakby mieć dwa sezony: jeden, w którym klienci opuszczają miasto, i drugi, w którym nie opuszczają miasta. 3. Czasami występują dwie (lub 3) pory roku. Na przykład mieliśmy sezon „Mardi-Gras” występujący w tym samym czasie co sezon walentynkowy.
4. Czasami pory roku zmieniają się w czasie. Na przykład „sezon Halloween” rozpoczął się na początku tego roku. Święta Bożego Narodzenia to także kolejny przykład, w którym wydaje się, że każdego roku zaczynamy wcześniej nosić produkty.

Wydaje mi się, że muszę znaleźć sposób na ustanowienie pewnego rodzaju „profili sezonowych”, które następnie, w zależności od konkretnego scenariusza, zostaną w jakiś sposób dodane, aby uzyskać prawidłowy wskaźnik sezonowy. Czy to ma sens?

Czy ktoś wie, gdzie mogę znaleźć praktyczne informacje, jak to zrobić?

Dzięki, Edgard

Pod względem opisywanych sezonowości najlepsze jest prawdopodobnie podejście zmienne. Jest to jednak łatwiejsze w obsłudze w środowisku ARIMA niż w trybie wygładzania wykładniczego. gdzie każdazmiennaDt,kodpowiada jednemu z wydarzeń wakacyjnych lub festiwalowych. W ten sposóbfunkcja w R dopasuje zmienne regresji (jako regresja z błędami ARIMA, a nie jako model ARIMAX).

Jeśli naprawdę chcesz pozostać przy strukturze wygładzania wykładniczego, dyskutuj o tym, jak uwzględnić zmienne towarzyszące w mojej książce z 2008 r. Na temat wygładzania wykładniczego . Możesz także spojrzeć na mój niedawny artykuł na temat wygładzania wykładniczego ze złożoną sezonowością, chociaż rodzaje komplikacji sezonowych, które omawiamy, są trudniejsze niż opisujący poruszający festiwal.

Prostym rozwiązaniem byłoby uwzględnienie manekinów zdarzeń w specyfikacji:

$(1) \hat{y_t}=\lambda_1 y_{t-1}+...+\lambda_k y_{t-k}+\phi_1 D_{t,1}+\phi_m D_{t,m}$

$D_{t,m}$$1$$t$$m$$m$

$\lambda_1 y_{t-1}+...+\lambda_k y_{t-k}$

Zakłada to, że masz co najmniej 20 obserwacji dla każdego zdarzenia (tj. 20 „mardi gras”). Jeśli tak nie jest, możesz spróbować połączyć kilka wydarzeń razem (np. Mardi gras i święto pracy).

R do dopasowania (1) jest dość proste, zakładając, że dlsales jest stacjonarny, a D jest macierzą zmiennych zastępczych:

fit<-arima(dlsales,order=c(4,0,0),seasonal = list(order = c(1, 0, 0),period=52),xreg = D)

Zaczynając od tego miejsca, możesz zadawać bardziej szczegółowe pytania dotyczące części mojej odpowiedzi, które nie są ci znane (nie wiem, jaki jest twój poziom w statystykach).