Przed przetestowaniem sezonowości należy zastanowić się, jaki rodzaj sezonowości masz. Pamiętaj, że istnieje wiele różnych rodzajów sezonowości:
- Sezonowość addytywna a multiplikatywna
- Sezonowość pojedyncza a wielokrotna
- Sezonowość przy parzystej i nierównomiernej liczbie okresów. Każdy rok ma dwanaście miesięcy, ale 52 1429 tygodni.
- Trend vs. sezonowość: Schemat sezonowości pojawia się zawsze w tym samym okresie, ale trend może pojawić się nieco później lub wcześniej, a nie dokładnie co 5 lat. Przykładem trendu są cykle koniunkturalne.
Jedną z najczęstszych metod wykrywania sezonowości jest rozkład szeregów czasowych na kilka składników.
W R możesz to zrobić za pomocą decompose()polecenia z preinstalowanego pakietu statystyk lub stl()polecenia z pakietu prognozy.
Poniższy kod pochodzi z małej księgi R dla szeregów czasowych
births <- scan("http://robjhyndman.com/tsdldata/data/nybirths.dat")
birthstimeseries <- ts(births, frequency = 12, start = c(1946,1))
birthstimeseriescomponents <- decompose(birthstimeseries)
plot(birthstimeseriescomponents)
Możesz sprawdzić pojedyncze elementy za pomocą
birthstimeseriescomponents$seasonal
birthstimeseriescomponents$random
birthstimeseriescomponents$trend
Inną metodą jest uwzględnienie manekinów sezonowych i sprawdzenie, czy mają one znaczące wartości p podczas obliczania regresji. Jeśli pojedyncze miesiące mają istotne współczynniki, miesięczne szeregi czasowe są sezonowe.
Inną metodą wykrywania sezonowości jest albo wykreślanie samych danych, albo wykreślanie ACF (funkcja autokorelacji). W naszym przypadku łatwo zauważyć, że istnieje sezonowość.
I na koniec, ale nie mniej ważne są pewne „formalne” testy hipotez w celu wykrycia sezonowości, takie jak Test T Studenta i Test Podpisanej Rangi Wilcoxona.
Moje myśli to sprawdzenie amplitudy:
(Współczynniki Fouriera są powiązane z ACF za pomocą twierdzenia Wienera-Khinchina .)
źródło