Chọn phương pháp phân hủy theo mùa


20

Điều chỉnh theo mùa là một bước quan trọng tiền xử lý dữ liệu để nghiên cứu thêm. Tuy nhiên, nhà nghiên cứu có một số tùy chọn cho phân rã theo chu kỳ theo chu kỳ. Các phương pháp phổ biến nhất (đánh giá theo số lượng trích dẫn trong tài liệu thực nghiệm) phương pháp phân rã theo mùa đối thủ là X-11 (12) -ARIMA, Tramo / Seats (cả hai được thực hiện trong Demetra + ) và 's stl . Tìm cách tránh sự lựa chọn ngẫu nhiên giữa các kỹ thuật phân rã đã đề cập ở trên (hoặc các phương pháp đơn giản khác như biến giả theo mùa) Tôi muốn biết một chiến lược cơ bản dẫn đến việc chọn phương pháp phân rã theo mùa một cách hiệu quả.R

Một số câu hỏi con quan trọng (liên kết đến một cuộc thảo luận cũng được chào đón) có thể là:

  1. Điểm tương đồng và khác biệt, điểm mạnh và điểm yếu của phương pháp là gì? Có trường hợp đặc biệt nào khi một phương pháp được ưa thích hơn các phương pháp khác không?
  2. Bạn có thể cung cấp hướng dẫn chung cho những gì bên trong hộp đen của các phương pháp phân tách khác nhau không?
  3. Có các thủ thuật đặc biệt khi chọn tham số cho các phương thức (tôi không luôn hài lòng với các mặc định, stlví dụ: có nhiều tham số để xử lý, đôi khi tôi cảm thấy mình không biết cách chọn các tham số này theo cách phù hợp).
  4. Có thể đề xuất một số tiêu chí (thống kê) rằng chuỗi thời gian được điều chỉnh theo mùa một cách hiệu quả (phân tích tương quan, mật độ phổ? Tiêu chí cỡ mẫu nhỏ? Độ mạnh?).

1
Bạn có thể quan tâm đến câu trả lời này và trong các tài liệu tham khảo được đưa ra ở đó.
javlacalle

Câu trả lời:


4

Nếu bạn sẵn sàng học cách hiểu chẩn đoán, X12-ARIMA cung cấp một khối lượng chẩn đoán bao gồm từ đồ thị (ASCII) đến các chỉ số quy tắc. Học và hiểu các chẩn đoán là một cái gì đó của một nền giáo dục trong chuỗi thời gian và điều chỉnh theo mùa.

Mặt khác, phần mềm X12-ARIMA là một con ngựa một mánh, trong khi sử dụng stl trong R sẽ cho phép bạn làm những việc khác và chuyển sang các phương pháp khác (phân tách, dlm, v.v.) nếu bạn muốn.

Mặt khác, X12-Arima giúp dễ dàng bao gồm các biến ngoại sinh và chỉ ra các ngoại lệ, v.v.


Vâng, điều đó có nghĩa là tôi phải học các thủ thuật ngoài X12-ARIMA trước tiên, bởi vì hầu hết các công cụ chẩn đoán thường được ẩn trong các gói thống kê. Từ quan điểm thực tế, khi tôi thử kết quả kiểu khỉ, kết quả cuối cùng, tôi đã thấy rằng Tramo / Seats hoạt động tốt hơn (đánh giá hoàn toàn bằng cách kiểm tra khỉ cười) so với X12-ARIMA, cho stl I thường làm cùng một kiểu khỉ, vì vậy điều tôi muốn là học nghệ thuật phân rã theo mùa. (+1) cho các hướng dẫn chung!
Dmitrij Celov

Trong X-12-ARIMA, .outtệp mặc định có các trang chẩn đoán và nếu bạn đọc hướng dẫn và bật thêm một vài thứ, bạn sẽ có các trang và trang thông tin, biểu đồ ASCII và chẩn đoán. Nó được tổ chức và đánh số rất hợp lý và tất cả các chẩn đoán đều quay trở lại phần dữ liệu của nó. Đi qua các chẩn đoán này và tìm hiểu những gì cần thiết để hiểu chúng là rất giáo dục. Một số chẩn đoán có heuristic khéo léo. Không khó để có được hầu hết các thông tin này được đưa vào các tệp mà bạn có thể dễ dàng nhập vào R để thao tác và biểu đồ đúng.
Wayne

Hiện tại (nếu không ai cố gắng cung cấp thêm chi tiết), tôi đánh dấu cái này là chính xác, nhưng cá nhân tôi muốn biết là một hướng dẫn thực tế, những gì quy tắc và đồ họa đã chứng minh là hữu ích, và nhiều cách làm khác từ những người đào sâu hơn tôi nhiều. Nói rằng tôi là một người lười biếng để đọc hướng dẫn, nhưng nếu bạn nói làm điều đó, có lẽ tôi nên, nhờ các liên kết dưới đây ...
Dmitrij Celov

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.