Robię analizę szeregów czasowych za pomocą R. Muszę rozłożyć dane na trend, sezonowość i losowy składnik. Mam tygodniowe dane od 3 lat. Znalazłem dwie funkcje w R - stl()
i decompose()
. Przeczytałem, że stl()
to nie jest dobre dla multiplikatywnego rozkładu. Czy ktoś może mi powiedzieć, w jakim scenariuszu można korzystać z tych funkcji?
r
time-series
Arushi
źródło
źródło
?stl
i?decompose
.Odpowiedzi:
Powiedziałbym
STL
. STL ma tendencję i sezonowość patrz: http://www.wessa.net/download/stl.pdfTylko rozkład dokonuje sezonowości, patrz dokumentacja tutaj: http://stat.ethz.ch/R-manual/R-devel/library/stats/html/decompose.html
Podczas pracy z nimi należy uwzględnić typ trendu (multiplikatywny, addytywny) i typ sezonu (multiplikatywny, addytywny). Trendy mogą również czasami mieć czynnik tłumienia.
Przez multiplikatywny rozkład zakładam, że masz na myśli trend. Prawdopodobnie nie użyjesz multiplikatywnego rozkładu, chyba że rozkładasz wykładniczą funkcję wzrostu.
źródło
Wady
decompose
funkcji w R:Wolałbym więc STL. Możliwe jest uzyskanie multiplikatywnego rozkładu, najpierw pobierając logi danych, a następnie przekształcając składniki z powrotem.
źródło
STL jest bardziej zaawansowaną techniką wyodrębniania sezonowości, w tym sensie, że pozwala na zmianę sezonowości, co nie ma miejsca
decompose
.Aby zrozumieć, jak działa STL:
Pozwala to uchwycić różne efekty sezonowości. Jeśli nie chcesz, aby Twoja sezonowość była zmienna (innymi słowy, szacowany efekt każdej podserii pozostanie stały przez cały czas), możesz określić, że okno sezonowe będzie nieskończone lub „okresowe”. Jest to równoważne z uśrednieniem każdej podserii i równym przypisaniem wszystkich punktów (nie ma już żadnego efektu „lokalnego”).
decompose
jest zasadniczo taki sam, ponieważ sezonowe podskładniki pozostaną stałe przez cały czas trwania serii, co jest specjalną konfiguracją STL.Jest to dość dobrze wyjaśnione tutaj: https://www.otexts.org/fpp/6/1 .
STL szacuje sezonowość w sposób addytywny. Jak wyjaśniono kilka stron później w poprzednim źródle, można oszacować sezonowość w multiplikatywny sposób, stosując transformację logów (lub transformację Cox-Boxa).
źródło