Окрім прийняття відмінностей, які ще методики нестаціонарного часового ряду є нерухомими?
Як правило, серія називається " інтегрованою до порядку p ", якщо її можна зробити нерухомою через оператор відставання .
Окрім прийняття відмінностей, які ще методики нестаціонарного часового ряду є нерухомими?
Як правило, серія називається " інтегрованою до порядку p ", якщо її можна зробити нерухомою через оператор відставання .
Відповіді:
Децентралізація є фундаментальною. Це включає регресування проти коваріатів, відмінних від часу.
Сезонна корекція є різновидом розбіжностей, але може розглядатися як окрема методика.
Перетворення даних неявно перетворює оператор різниці в щось інше; наприклад, відмінності логарифмів - це фактично співвідношення.
Деякі методи згладжування EDA (наприклад, видалення рухомої медіани) можуть бути розцінені як непараметричні способи детрентування. Вони були використані як такі у своїй книзі про EDA. Продовжував Туке, зменшуючи залишки і повторюючи цей процес настільки довго, наскільки це було необхідно (поки він не досяг решти, які виявилися нерухомими та симетрично розподілені навколо нуля).
Я все ще думаю, що використання зміни% від одного періоду до іншого є найкращим способом зробити нестаціонарну змінну нерухомою, як ви спочатку запропонували. Така трансформація, як журнал, працює досить добре (вона вирівнює нестаціонарну якість, але не усуває її повністю).
Третій спосіб полягає в одночасній деасоналізації та децентралізації даних в одній лінійній регресії. Однією незалежною змінною буде тенденція (або час): 1, 2, 3, ... до того, скільки у вас є проміжок часу. А інша змінна була б категоричною змінною з 11 різними категоріями (для 11 з 12 місяців). Потім, використовуючи отриманий коефіцієнт від даної регресії, ви можете одночасно знецінювати та десезонізувати дані. Ви побачите, що весь набір даних по суті сплющений. Решта відмінностей між періодами відображатимуть зміни, незалежні як від тенденції зростання, так і від сезону.
Журнали та зворотні перетворення та інші силові перетворення часто дають несподівані результати.
Що стосується ушкодження залишків (тобто Тукі), то це може мати певне застосування в деяких випадках, але може бути небезпечним. З іншого боку, виявлення зрушень рівня та зміни тенденції систематично доступні дослідникам, що використовують методи виявлення інтервенції. Оскільки зсув рівня - це різниця часового тренду так само, як імпульс, - це різниця зсуву рівня, методи, які застосовує Рюї Тей, легко охоплюються цією проблемою.
Якщо серія демонструє зміну рівня (тобто зміна перехоплення), відповідний засіб для усунення серії нерухомим - це "приниження" серії. Бокс-Дженкінс помилився критично, припустивши, що засобом нестаціонарності є оператори, що розрізняють. Отже, іноді диференціація є доцільною, а інший час коригування середнього зсуву "s" є відповідним. В будь-якому випадку функція автокореляції може проявляти нестаціонарність. Це симптом стану серії (тобто стаціонарного або нестаціонарного). У випадку явної нестаціонарності причини можуть бути різними. Наприклад, серія має справді безперервне середнє значення або серія мала тимчасову зміну середнього значення.
Запропонований підхід був вперше запропонований Цей в 1982 році і був доданий до деякого програмного забезпечення. Дослідники повинні посилатися на статтю журналу прогнозування Цей під назвою "Витрати, зміни рівня та зміни змін у часових рядах", Journal of Forecasting, Vol. 7, І-20 (1988).
Як завжди, підручники повільно впроваджують передові технології, але про цей матеріал можна посилатись у книзі Вей (тобто аналіз часових рядів), Делургіо та Макрадакіс висвітлюють вкладені втручання, але не про те, як виявити, як це робить текст Вей.
Чи можете ви встановити льос / сплайн через дані та використовувати залишки? Чи були б залишки нерухомими?
Здається, це загрожує питаннями для розгляду, і, можливо, не було б настільки чіткого вказівки на надто гнучку криву, як це існує для надмірної різниці.