У мене є багатофакторний набір даних часових рядів, включаючи взаємодіючі біологічні та екологічні змінні (плюс, можливо, деякі екзогенні змінні). Крім сезонності, даних немає чіткої довгострокової тенденції. Моя мета - побачити, які змінні пов'язані між собою. Прогнозування насправді не шукали.
Будучи новим у аналізі часових рядів, я прочитав кілька посилань. Наскільки я розумію, модель Vector Autoregressive (VAR) була б доречною, але я не відчуваю себе комфортно із сезонністю, і більшість прикладів, які я вважаю, стосувалися економічної сфери (як часто з аналізом часових рядів ...) без сезонності.
Що мені робити із сезонними даними? Я розглядав їх деасоналізацію - наприклад, в R, я би використовував, decomposeа потім використовував $trend + $randзначення, щоб отримати сигнал, який виглядає досить нерухомим (як судять за acf). Результати моделі VAR мене збивають з пантелику (вибирається 1-лагова модель, тоді як я інтуїтивно очікував би більше, і лише коефіцієнти для авторегресії - а не для регресії з іншими відсталими змінними - значущі). Чи роблю я щось не так, чи можу зробити висновок, що мої змінні не (лінійно) пов'язані / моя модель не є хорошою (допоміжний питання: чи існує нелінійний еквівалент VAR?).
[Крім того, я прочитав, що, ймовірно, міг би використовувати фіктивні сезонні змінні, хоча я не можу точно зрозуміти, як це застосувати].
Покрокові пропозиції були б дуже вдячні, оскільки деталі для досвідчених користувачів можуть насправді бути інформативними (і, звісно, фрагменти коду R або посилання на конкретні приклади, звичайно, дуже вітаються).