Kiểm tra tính thời vụ theo chuỗi thời gian

Các bài kiểm tra thời vụ đơn giản nhất cho chuỗi thời gian là gì?

Cụ thể hơn, tôi muốn kiểm tra nếu trong specific time series the seasonal componentcó ý nghĩa.

Các gói được đề xuất trong Python / R là gì?

— Michael D
nguồn

Trước khi bạn kiểm tra tính thời vụ, bạn nên phản ánh loại thời vụ nào bạn có. Lưu ý rằng có nhiều loại thời vụ khác nhau:

Phụ gia so với tính thời vụ
Độc thân so với nhiều mùa
Tính thời vụ với số lượng thời gian chẵn so với không đều. Mỗi năm có mười hai tháng, nhưng 52.1429 tuần.
Xu hướng so với tính thời vụ: Một mô hình thời vụ luôn xuất hiện trong cùng thời kỳ, nhưng một xu hướng có thể xuất hiện muộn hơn một chút hoặc sớm hơn và không chính xác sau mỗi 5 năm. Một ví dụ cho một xu hướng là chu kỳ kinh doanh.

Một trong những phương pháp phổ biến nhất để phát hiện tính thời vụ là phân tách chuỗi thời gian thành nhiều thành phần.

Trong R, bạn có thể thực hiện việc này bằng decompose()lệnh từ gói số liệu thống kê được cài đặt sẵn hoặc bằng stl()lệnh từ gói dự báo.

Đoạn mã sau được lấy từ Một cuốn sách nhỏ của R cho chuỗi thời gian

births <- scan("http://robjhyndman.com/tsdldata/data/nybirths.dat")
birthstimeseries <- ts(births, frequency = 12, start = c(1946,1))
birthstimeseriescomponents <- decompose(birthstimeseries)
plot(birthstimeseriescomponents)

Bạn có thể kiểm tra các thành phần đơn lẻ với

birthstimeseriescomponents$seasonal
birthstimeseriescomponents$random
birthstimeseriescomponents$trend

Một phương pháp khác là bao gồm các hình nộm theo mùa và kiểm tra xem chúng có giá trị p đáng kể hay không khi bạn tính toán hồi quy. Nếu các tháng duy nhất có hệ số lớn, chuỗi thời gian hàng tháng của bạn là theo mùa.

Một phương pháp khác để phát hiện tính thời vụ là tự vẽ đồ thị dữ liệu hoặc vẽ đồ thị ACF (chức năng tự tương quan). Trong trường hợp của chúng tôi, bạn có thể dễ dàng nhận thấy rằng có tính thời vụ.

Và cuối cùng, nhưng không kém phần quan trọng, có một số bài kiểm tra giả thuyết "chính thức" để phát hiện tính thời vụ như Bài kiểm tra T của sinh viên và Bài kiểm tra xếp hạng có chữ ký của Wilcoxon.

— Ferdi
nguồn

trong trường hợp của tôi, tôi không biết một mình (phụ gia so với nhân, Đơn lẻ so với nhiều thời vụ Thời vụ với số lượng thời gian chẵn và không đều), tôi có rất nhiều chuỗi thời gian và muốn có một số lượng lớn khả thi. Để bắt đầu, tôi muốn bắt đầu với phụ gia, tính thời vụ duy nhất, thậm chí + thậm chí không. @Ferdi

— Michael D

có lẽ bạn nên nghĩ về dữ liệu của mình: đó là dữ liệu hàng ngày, hàng tuần, hàng tháng hay hàng quý? Có những cú sốc hay bất thường? Bạn quan sát cái gì, khi bạn hình dung nó?

— Ferdi

một số chuỗi thời gian có hàng tuần, hàng ngày, hàng giờ. Và một số khác không có gì cả. Bước đầu tiên tôi muốn phát hiện xem thành phần theo mùa có nghĩa là đầy đủ hay không. Đối với ví dụ thứ hai của bạn, nó có Lag 3 và 12. Nhưng bằng cách nào đó, tôi không tìm thấy bất kỳ tính thời vụ nào ở độ trễ 3. Thay vào đó, tốt hơn là nhìn vào pacf ? Nếu tôi nhìn vào ACF hoặc PACF, làm thế nào tôi phân biệt mô hình AR (p) (không theo mùa) so với mô hình theo mùa? @Ferdi

— Michael D

Tôi không biết bất kỳ thuật toán nào bạn có thể chạy một cách mù quáng trên bất kỳ loại chuỗi thời gian nào để kiểm tra tính thời vụ

— Ferdi

Tôi là ... AUTOBOX tự động tìm kiếm cả cấu trúc ngẫu nhiên, cấu trúc ARIMA và cấu trúc xác định (các hiệu ứng cố định như ngày trong tuần, tháng của năm, ngày, tháng, quý -year, v.v.) trong khi xử lý các biến chứng như dịch chuyển bước / mức, xu hướng thời gian cục bộ, xung, thay đổi cả về tham số và phương sai lỗi theo thời gian. Có phiên bản R. Đây là kết quả của luận án PHD của tôi để tự động hóa nhận dạng mô hình chuỗi thời gian trong cả cài đặt đơn biến và đa biến.

— IrishStat

Suy nghĩ của tôi là kiểm tra biên độ của:

Chức năng tự tương quan ACF
Chức năng tự tương quan một phần PACF
Hệ số Fourier

(Hệ số Fourier có liên quan đến ACF thông qua định lý Wiener-Khinchin .)

— Michael D
nguồn