Lựa chọn giữa mô hình phụ gia và nhân?

Tôi có một bộ dữ liệu mà tôi hiện đang phân tích.

Tôi đang gặp khó khăn trong việc quyết định liệu một mô hình Phụ gia nên được sử dụng để dự báo dữ liệu hay tôi nên sử dụng mô hình Nhân .

Tôi biết sự khác biệt giữa hai loại và tôi có thể áp dụng mô hình chính xác khi dữ liệu thô là tuyến tính ... nhưng trong trường hợp này, dữ liệu của tôi là phi tuyến tính.

Tôi đã đính kèm một chuỗi thời gian của dữ liệu của mình - tôi nên sử dụng mô hình nào trong hai mô hình và tại sao?

(Bản năng của tôi là đi theo Mô hình phụ gia trên cơ sở mức độ biến động theo mùa (hoặc biến thiên xung quanh chu kỳ xu hướng) dường như không thay đổi theo cấp độ của chuỗi thời gian.

Tôi cũng sẽ đi cho phụ gia. Vì tín hiệu rõ ràng của bạn có vẻ có tần số thấp, bạn có thể đi xa hơn một chút, ít nhất là theo kinh nghiệm. Ví dụ, bạn có thể kiểm tra tính đồng nhất của sự khác biệt hữu hạn của dữ liệu (thứ tự đầu tiên hoặc thứ hai). Điều này sẽ hoạt động như một bộ lọc thông cao rất thô, nơi bạn có thể mong đợi tiếng ồn sẽ chiếm ưu thế.

Nếu tín hiệu của bạn dài hơn nhiều, việc di chuyển các cửa sổ và biến đổi Fourier có thể giúp ích.

Tuy nhiên, như để dự báo, bạn có thể thực hiện song song cả hai mô hình và quyết định mô hình nào bạn áp dụng dựa trên hiệu suất tốt nhất của một trong số chúng dựa trên thống kê trước đây. Đây là một phương pháp heuristic mà gần đây tôi đã sử dụng để dự đoán kết quả cho mô phỏng hệ thống lai, trong đó không có mô hình nào được biết: thực hiện các phép ngoại suy khác nhau song song, rất nhanh và quyết định. Nó không phải là rất lý thuyết, nhưng nó hoạt động tốt trên dữ liệu của chúng tôi.

Nếu quan tâm, tôi có thể phát triển. Tham chiếu được gọi là: CHOPtrey: phép ngoại suy đa thức trực tuyến theo ngữ cảnh để tăng cường mô phỏng đa lõi của các hệ thống phức tạp

Vì dữ liệu khá ngắn và tôi không chắc chúng ta có thời gian theo mùa đầy đủ, tôi đã thử thực hiện một số phân tích Fourier trên dữ liệu, độ dốc và Laplacian của nó. Sự dao động dường như khá định kỳ, vì vậy ở ô dưới cùng, tôi đã cố gắng thiết kế một đường trung bình "lọc". Phần dư không thay đổi biên độ rất nhiều. Nó thực sự không có vẻ là ngẫu nhiên.

Tôi đã lấy 55 giá trị và sử dụng AUTOBOX để tự động phát hiện một mô hình lai có thể bao gồm cấu trúc xác định cũng như cấu trúc ARIMA. Biểu đồ của dữ liệu gốc và biểu đồ ACF của sê-ri gốc có ở đây. AUTOBOX kết luận rằng một xu hướng duy nhất và 3 hình nộm theo mùa phù hợp hơn với SARIMA trong khi cũng bao gồm cấu trúc AR của đơn hàng 1. Đây là mô hình VÀ ở đây với các tóm tắt thống kê sau .

Biểu đồ còn lại ở đây gợi ý sự đầy đủ với ACF đồng hành của phần dư ở đây .

Biểu đồ thực tế, phù hợp và dự báo có ở đây và âm mưu được cho là của OUTLIER rõ ràng gợi ý sự cần thiết của 4 xung trong mô hình . Cuối cùng, âm mưu đúc lại fo ở đây trong 8 giai đoạn tiếp theo.

Các biến đổi như logarit hoặc mô hình nhân cần phải được chứng minh và đề xuất bởi dữ liệu hoặc bởi người dùng có kiến ​​thức về miền nhất định. Đây không phải là như vậy trong trường hợp này. Xem ở đây để biết khi nào cần chuyển đổi công suất Khi nào (và tại sao) bạn nên lấy nhật ký phân phối (số)? . Lưu ý rằng về cơ bản AUTOBOX đã hội tụ trên Mô hình theo mùa phụ gia CTNH với TREND và 4 dị thường và hệ số AR (1) có ý nghĩa cao.

NHẬN XÉT CHO LAURENT:

Ba trong số bốn ý kiến ​​xác định được yêu cầu (Xu hướng, theo mùa (QUARTERLY) Người giả và xung) trong khi cũng cần cấu trúc AR (1) để xử lý bộ nhớ ngắn hạn.