Що краще, stl або розкласти?

10

Я роблю аналіз часових рядів за допомогою Р. Я повинен розкласти свої дані на тренд, сезонну та випадкову складові. У мене є дані за тиждень протягом 3 років. Я знайшов дві функції в R - stl()і decompose(). Я читав, що stl()не годиться для мультиплікативного розкладання. Хтось може мені сказати, в якому сценарії ці функції можна використовувати?

r time-series

— Аруші
джерело

1

Вам потрібно буде забезпечити деякий контекст вашої проблеми, в іншому випадку нам доведеться перейти на обмін стека або близько до рекомендації ви намагаєтеся ?stlі ?decompose.

— AdamO

4

Я б сказав STL. STL має тенденцію, а сезонні див: http://www.wessa.net/download/stl.pdf

Декомпозиція бачить документацію лише тут: http://stat.ethz.ch/R-manual/R-devel/library/stats/html/decompose.html

Працюючи з ними, обов’язково включайте тип тренду (мультиплікативний, адитивний) та тип сезону (мультиплікативний, адитивний). Тенденції також іноді можуть мати і демпфіруючий фактор.

Під мультипликативним розкладанням я припускаю, що ви маєте на увазі у випадку тенденції. Ви, ймовірно, не будете використовувати мультипликативне розкладання, якщо не розкладете експоненціальну функцію росту.

— ccsv
джерело

Мультиплікативна декомпозиція в простому випадку полягає в тому, що в основі моделі лежить Y = тенденція * сезонна * помилка. Мультиплікативні моделі виникають у неекспоненціальному контексті. Наприклад, у продажу ви маєте певний рівень трафіку та певний коефіцієнт конверсії, і тому сезонний компонент змінюється пропорційно залежно від тенденції. Рішення - це те, що описує Наталі.

5

Недоліки decomposeфункції в R:

Оцінка тенденції недоступна для перших кількох та останніх кількох спостережень.
Це передбачає, що сезонний компонент повторюється з року в рік.

Тому я вважаю за краще STL. Можна отримати мультиплікативне розкладання, спочатку взявши журнали даних, а потім перетворивши компоненти назад.

— Наталі
джерело

1

STL - це більш досконала методика вилучення сезонності, в тому сенсі, яка дозволяє сезонність змінюватись, що не так decompose.

Щоб зрозуміти, як працює STL:

алгоритм оцінює кожну сезонну підсерію (за 7-денної сезонності, вона оцінить 7 підсерій: серія часу понеділка, серія часу вівторок тощо),
Тоді вона оцінить місцеву сезонність, застосувавши регресію льосів на кожній підсерійності.

Це дозволяє зафіксувати різний ефект у сезонності. Якщо ви не хочете, щоб ваша сезонність змінювалася (іншими словами, передбачуваний ефект кожного підсерію залишатиметься постійним протягом усього періоду часу), ви можете вказати сезонне вікно нескінченним або "періодичним". Це еквівалентно середньому для кожного підсерію та дає рівну вагу для всіх балів (у вас більше немає "місцевого" ефекту). decomposeпо суті те саме, оскільки сезонні підкомпоненти залишатимуться постійними протягом усього періоду часу, що є спеціальною конфігурацією STL.

Це досить добре пояснено тут: https://www.otexts.org/fpp/6/1 .

STL оцінює сезонність додатково. Як пояснено на декількох сторінках у попередньому джерелі, ви можете оцінити сезонність мультиплікативним шляхом, вдавшись до перетворення журналу (або перетворення Кокса).

— Tanguy
джерело