Выбор метода сезонного разложения

20

Сезонная корректировка является решающим этапом предварительной обработки данных для дальнейших исследований. Исследователь, однако, имеет несколько вариантов сезонного разложения по трендовому циклу. Наиболее распространенными (судя по количеству ссылок в эмпирической литературе) конкурентными методами сезонного разложения являются X-11 (12) -ARIMA, Tramo / Seats (оба реализованы в Demetra + ) и 's stlR . Стремясь избежать случайного выбора между вышеупомянутыми методами разложения (или другими простыми методами, такими как сезонные фиктивные переменные), я хотел бы знать базовую стратегию, которая приводит к эффективному выбору метода сезонного разложения.

Несколько важных подвопросов (ссылки на обсуждение приветствуются) могут быть:

  1. Каковы сходства и различия, сильные и слабые стороны методов? Есть ли особые случаи, когда один метод предпочтительнее других?
  2. Не могли бы вы дать общие рекомендации о том, что находится внутри черного ящика различных методов разложения?
  3. Существуют ли специальные приемы выбора параметров для методов (меня не всегда устраивают значения по умолчанию, stlнапример, мне приходится иметь дело со многими параметрами, иногда я чувствую, что просто не знаю, как правильно выбрать эти параметры).
  4. Можно ли предложить некоторые (статистические) критерии того, что временные ряды эффективно сезонно корректируются (коррелограммный анализ, спектральная плотность? Критерии малого размера выборки? Надежность).
time-series data-transformation methodology seasonality Дмитрий Челов
источник
1
Вас может заинтересовать этот ответ и ссылки, приведенные там.
Javlacalle

Ответы:

4

Если вы хотите научиться понимать диагностику, X12-ARIMA предоставляет множество диагностических средств, которые варьируются от (ASCII) графиков до практических индикаторов. Изучение и понимание диагностики - это обучение временным рядам и сезонной корректировке.

С другой стороны, программное обеспечение X12-ARIMA является пони с одним приемом, в то время как использование stl в R позволит вам делать другие вещи и переключаться на другие методы (декомпозировать, dlm и т. Д.), Если вы захотите.

С другой стороны, X12-Arima облегчает включение экзогенных переменных и указание выбросов и т. Д.

Wayne
источник
Что ж, это значит, что сначала я должен изучить приемы, выходящие за рамки X12-ARIMA, потому что большинство диагностических инструментов обычно скрыты в статистических пакетах. С практической точки зрения, когда я попробовал «нажать-вниз-получить-результат» в стиле обезьяны, я обнаружил, что Tramo / Seats работает лучше (судя по тесту смеющейся обезьяны чисто визуально), чем X12-ARIMA, для stl I Обычно я делаю то же самое в стиле обезьяны, поэтому я хочу научиться искусству сезонного разложения. (+1) для общих руководств!
Дмитрий Челов
В X-12-ARIMA .outфайл по умолчанию содержит страницы диагностики, и если вы прочитаете руководство и включите еще несколько, у вас будут буквально страницы и страницы информации, графики ASCII и диагностики. Он очень логично организован и пронумерован, и вся диагностика относится к разделу, из которого получены данные. Ходить по этим диагностикам и узнавать, что необходимо для их понимания, очень познавательно. Некоторые из диагностики имеют гениальную эвристику. Несложно поместить большую часть этой информации в файлы, которые вы можете легко импортировать в R для манипулирования и правильного отображения.
Уэйн
В настоящее время (если никто не попытается дать более подробную информацию), я отмечаю это как правильное, но лично я хотел бы знать практическое руководство, какие практические правила и графика оказались полезными, и многие другие инструкции от тех, кто копает намного глубже меня. Скажи, что я немного ленивый человек, чтобы читать руководства, но если ты скажешь, сделай это, вероятно, я должен, благодаря ссылкам ниже ...
Дмитрий Челов