Wybór metody rozkładu sezonowego


20

Dostosowanie sezonowe jest kluczowym etapem wstępnego przetwarzania danych do dalszych badań. Badacz ma jednak wiele opcji rozkładu sezonowego w cyklu trendu. Najczęstszymi (sądząc po liczbie cytowań w literaturze empirycznej) rywalizującymi metodami rozkładu sezonowego są X-11 (12) -ARIMA, Tramo / Seats (oba zaimplementowane w Demetra + ) i 's stl . Dążąc do uniknięcia losowego wyboru wyżej wymienionych technik rozkładu (lub innych prostych metod, takich jak zmienne zmienne sezonowe) chciałbym poznać podstawową strategię, która prowadzi do skutecznego wyboru metody rozkładu sezonowego.R

Kilka ważnych pytań (mile widziane są również linki do dyskusji):

  1. Jakie są podobieństwa i różnice, mocne i słabe strony metod? Czy są jakieś szczególne przypadki, w których jedna metoda jest bardziej preferowana niż inne?
  2. Czy możesz podać ogólne wskazówki na temat tego, co znajduje się w czarnej skrzynce różnych metod rozkładu?
  3. Czy istnieją specjalne sztuczki przy wyborze parametrów metod (nie zawsze jestem zadowolony z wartości domyślnych, stlna przykład ma wiele parametrów do rozwiązania, czasami wydaje mi się, że po prostu nie wiem, jak wybrać te w odpowiedni sposób).
  4. Czy można zasugerować niektóre (statystyczne) kryteria, że ​​szereg czasowy jest efektywnie dostosowywany sezonowo (analiza korelogramu, gęstość widmowa - kryteria małej próby - solidność?).

1
Możesz być zainteresowany tą odpowiedzią i podanymi tam referencjami.
javlacalle,

Odpowiedzi:


4

Jeśli chcesz nauczyć się rozumieć diagnostykę, X12-ARIMA zapewnia mnóstwo diagnostyki, od wykresów (ASCII) do wskaźników praktycznych. Poznanie i zrozumienie diagnostyki jest czymś w rodzaju edukacji dotyczącej szeregów czasowych i dostosowywania sezonowego.

Z drugiej strony, oprogramowanie X12-ARIMA jest kucykiem jednopłatowym, podczas gdy użycie stl w R pozwoliłoby ci robić inne rzeczy i przełączać się na inne metody (rozkład, dlm, itp.), Jeśli chcesz.

Z drugiej strony X12-Arima ułatwia dołączanie zmiennych egzogenicznych i wskazywanie wartości odstających itp.


Oznacza to, że najpierw muszę nauczyć się sztuczek wykraczających poza X12-ARIMA, ponieważ większość narzędzi diagnostycznych jest zwykle ukryta w pakietach statystycznych. Z praktycznego punktu widzenia, kiedy próbowałem uzyskać efekt małpy w stylu małpy, okazało się, że Tramo / Seats działa lepiej (oceniając wyłącznie wizualnie na podstawie testu śmiech małpy) niż X12-ARIMA, dla stl I zwykle wykonuję tę samą pracę w stylu małpy, więc chcę nauczyć się sztuki sezonowego rozkładu. (+1) dla ogólnych przewodników!
Dmitrij Celov

W X-12-ARIMA domyślny .outplik zawiera strony diagnostyczne, a jeśli przeczytasz instrukcję i włączysz jeszcze kilka, dosłownie będziesz miał strony i strony informacyjne, wykresy ASCII i diagnostykę. Jest bardzo logicznie zorganizowany i ponumerowany, a wszystkie informacje diagnostyczne odnoszą się do części, z której pochodzą dane. Przejście przez te diagnostykę i nauczenie się, co jest konieczne do ich zrozumienia, jest bardzo edukacyjne. Niektóre z diagnostyki mają genialną heurystykę. Nie jest trudno umieścić większość tych informacji w plikach, które można łatwo zaimportować do R w celu manipulowania i prawidłowego tworzenia wykresów.
Wayne

Na razie (jeśli nikt nie będzie próbował podać więcej szczegółów) zaznaczam ten jako poprawny, ale osobiście chciałbym wiedzieć, że jest praktycznym przewodnikiem, jaka zasada i grafika okazały się przydatne, i wiele inne poradniki od tych, którzy kopią znacznie głębiej niż ja. Powiedz mi, że jestem trochę leniwą osobą do czytania instrukcji, ale jeśli tak mówisz, prawdopodobnie powinienem, dzięki linkom poniżej ...
Dmitrij Celov

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.