Tính toán các chỉ số thời vụ cho tính thời vụ phức tạp

Tôi muốn dự báo các mặt hàng bán lẻ (theo tuần) bằng cách sử dụng làm mịn theo cấp số nhân. Bây giờ tôi đang bị mắc kẹt trong cách tính toán, lưu trữ và áp dụng các chỉ số vừng.

Vấn đề là tất cả các ví dụ tôi đã tìm thấy đối phó với một loại thời vụ đơn giản. Trong trường hợp của tôi, tôi có các vấn đề sau: 1. Các mùa không xảy ra vào cùng một tuần mỗi năm: chúng có thể di chuyển được. Mardi-gras, cho mượn, phục sinh, và một vài người khác. 2. Có những mùa thay đổi tùy theo năm. Ví dụ, có một kỳ nghỉ lễ quốc gia. Tùy thuộc vào ngày nghỉ gần cuối tuần, khách hàng sẽ hoặc không rời khỏi thị trấn. Vì vậy, nó giống như có hai mùa: một nơi khách hàng rời khỏi thị trấn và một nơi họ không rời khỏi thị trấn. 3. Đôi khi hai (hoặc 3) mùa xảy ra cùng một lúc. Ví dụ: chúng tôi đã có mùa "Mardi-Gras" xảy ra cùng lúc với mùa Valentine.
4. Đôi khi các mùa thay đổi trong thời gian. Ví dụ: "Mùa Halloween" đã bắt đầu vào đầu năm nay. Giáng sinh cũng là một ví dụ khác, nơi dường như mọi năm chúng ta bắt đầu sớm hơn để mang các sản phẩm.

Dường như với tôi rằng tôi cần tìm cách thiết lập một số loại "hồ sơ theo mùa" mà sau đó, tùy thuộc vào kịch bản cụ thể được thêm vào bằng cách nào đó để có được chỉ số theo mùa chính xác. Điều đó có ý nghĩa?

Có ai biết nơi tôi có thể tìm thấy thông tin thực tế về cách làm điều này?

Cảm ơn, Edgard

Đối với các loại tính thời vụ mà bạn mô tả, phương pháp biến giả có lẽ là tốt nhất. Tuy nhiên, điều này dễ xử lý trong khung ARIMA hơn khung làm mịn theo cấp số nhân. trong đó mỗi biến tương ứng với một trong các sự kiện ngày lễ hoặc lễ hội. Đây là cách hàm trong R sẽ khớp với các biến hồi quy (như một hồi quy với các lỗi ARIMA, chứ không phải như một mô hình ARIMAX).

Nếu bạn thực sự muốn gắn bó với khung làm mịn theo cấp số nhân, có một cuộc thảo luận về cách đưa các đồng biến vào cuốn sách năm 2008 của tôi về làm mịn theo cấp số nhân . Bạn cũng có thể xem bài báo gần đây của tôi về làm mịn theo cấp số nhân với tính thời vụ phức tạp mặc dù các loại biến chứng theo mùa mà chúng ta thảo luận có nhiều khó khăn hơn loại lễ hội di chuyển mà bạn mô tả.

Một sửa chữa đơn giản sẽ bao gồm các sự kiện giả trong đặc tả của bạn:

$(1) \hat{y_t}=\lambda_1 y_{t-1}+...+\lambda_k y_{t-k}+\phi_1 D_{t,1}+\phi_m D_{t,m}$

Trong đó là một chỉ số lấy giá trị nếu tuần có sự kiện (giả sử Mardi gras) và 0 nếu không, đối với tất cả các sự kiện mà bạn cho là quan trọng. 1 t m $D_{t,m}$$1$$t$$m$$m$

Phần đầu tiên của đặc tả về cơ bản là một bộ làm mịn theo cấp số nhân nhưng có trọng lượng thay đổi theo chức năng của độ trễ (và được ước tính bởi OLS).$\lambda_1 y_{t-1}+...+\lambda_k y_{t-k}$

Điều này giả sử rằng bạn có ít nhất 20 quan sát cho mỗi sự kiện (tức là 20 'mardi gras'). Nếu đây không phải là trường hợp, bạn có thể cố gắng kết hợp một số sự kiện với nhau (giả sử mardi gras và ngày lao động).

R để phù hợp (1) là khá căng thẳng, giả sử dlsales là văn phòng phẩm và D là ma trận của các biến giả:

fit<-arima(dlsales,order=c(4,0,0),seasonal = list(order = c(1, 0, 0),period=52),xreg = D)

Bắt đầu từ đây, bạn có thể hỏi những câu hỏi cụ thể hơn về phần câu trả lời của tôi không quen thuộc với bạn (tôi không biết trình độ của bạn là gì trong thống kê).