У меня есть многомерный набор данных временных рядов, включающий взаимодействующие биологические и экологические переменные (плюс, возможно, некоторые экзогенные переменные). Помимо сезонности, в данных нет четкой долгосрочной тенденции. Моя цель - увидеть, какие переменные связаны друг с другом. Прогнозирование на самом деле не искали.
Будучи новичком в анализе временных рядов, я прочитал несколько ссылок. Насколько я понимаю, модель с векторной авторегрессией (VAR) была бы уместна, но я не чувствую себя комфортно с сезонностью, и большинство найденных примеров касалось области экономики (как часто с анализом временных рядов ...) без сезонности.
Что мне делать с моими сезонными данными? Я рассмотрел их десезонализацию - например, в R я бы использовал, decompose
а затем использовал $trend + $rand
значения, чтобы получить сигнал, который выглядит довольно стационарно (согласно оценке acf
). Результаты модели VAR меня смущают (модель с 1 лагом выбрана, хотя я бы интуитивно ожидал большего, и значимыми являются только коэффициенты для авторегрессии, а не для регрессии с другими лаговыми переменными). Я делаю что-то не так, или я должен сделать вывод, что мои переменные не (линейно) связаны / моя модель не является хорошей (дополнительный вопрос: существует ли нелинейный эквивалент VAR?).
[В качестве альтернативы я читал, что мог бы использовать фиктивные сезонные переменные, хотя я не могу точно определить, как это реализовать].
Пошаговые предложения будут очень признательны, поскольку подробности для опытных пользователей могут быть действительно информативными для меня (и фрагменты кода R или ссылки на конкретные примеры, конечно, очень приветствуются).
Ответы:
Я знаю, что этот вопрос довольно старый, но он остался без ответа. Возможно, главный вопрос не в том, как удалить сезонный цикл в данных, а в его части, поэтому я попытаюсь: для удаления сезонности из набора данных есть несколько методов, от простых среднемесячных агрегированных значений до подгонка синусоидальной (или другой подходящей гармонической) функции с помощью нелинейных методов подбора, таких как Nelder-Mead.
Самый простой способ - это усреднить данные, принадлежащие всем январям, всем февралям и т. Д., То есть вы создаете составной годовой цикл, который затем вы можете вычесть из своих данных
источник