Tes musiman seri waktu

Apa tes musiman yang paling sederhana untuk rangkaian waktu?

Menjadi lebih spesifik, saya ingin menguji apakah dalam specific time series the seasonal componentbermakna.

Paket apa yang direkomendasikan di Python / R?

— Michael D
sumber

Sebelum Anda menguji musiman Anda harus mencerminkan jenis musiman yang Anda miliki. Perhatikan bahwa ada banyak jenis musiman:

Additive vs. Multiplicative musiman
Single vs Multiple musiman
Musim dengan jumlah periode genap vs tidak merata. Setiap tahun memiliki dua belas bulan, tetapi 52.149 minggu.
Tren vs. Musim: Pola musiman selalu muncul dalam periode yang sama, tetapi tren mungkin muncul sedikit lebih lambat atau lebih awal dan tidak persis setiap 5 tahun. Salah satu contoh tren adalah siklus bisnis.

Salah satu metode paling umum untuk mendeteksi musiman adalah dengan menguraikan deret waktu menjadi beberapa komponen.

Di R Anda bisa melakukan ini dengan decompose()perintah dari paket statistik yang sudah diinstal sebelumnya atau dengan stl()perintah dari paket perkiraan.

Kode berikut diambil dari buku kecil R untuk seri waktu

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

Anda dapat memeriksa komponen tunggal dengan

birthstimeseriescomponents$seasonal
birthstimeseriescomponents$random
birthstimeseriescomponents$trend

Metode lain adalah dengan memasukkan boneka musiman dan untuk memeriksa apakah mereka memiliki nilai p yang signifikan ketika Anda menghitung regresi. Jika bulan-bulan tunggal memiliki koefisien yang signifikan, seri waktu bulanan Anda adalah musiman.

Metode lain untuk mendeteksi musiman adalah dengan memplot data itu sendiri atau memplot ACF (fungsi autokorelasi). Dalam kasus kami, Anda dapat dengan mudah melihat, bahwa ada musim.

Dan yang terakhir, namun tidak kalah pentingnya, ada beberapa tes hipotesis "formal" untuk mendeteksi musiman seperti Student T-Test dan Wilcoxon Signed Rank Test.

— Ferdi
sumber

dalam kasus saya, saya tidak tahu sendiri (additive vs multiplicative, Single vs Multiple musiman Musim dengan bahkan vs jumlah periode yang tidak merata), saya memiliki banyak deret waktu dan ingin memiliki pendekatan generik sebanyak bisa jadi. Untuk permulaan saya ingin memulai dengan aditif, musiman tunggal, bahkan + bahkan tidak. @Ferdi

— Michael D

mungkin Anda harus memikirkan data Anda: apakah itu data harian, mingguan, bulanan, atau kuartalan? apakah ada kejutan atau penyimpangan? apa yang Anda amati, ketika Anda memvisualisasikannya?

— Ferdi

beberapa seri waktu memiliki mingguan, harian, setiap jam. Dan beberapa lainnya tidak punya sama sekali. Untuk langkah pertama saya ingin mendeteksi apakah komponen musiman artinya penuh sama sekali. Sebagai contoh kedua Anda memiliki Lag 3 dan 12. Tapi entah bagaimana dengan mata saya tidak menemukan musiman di lag 3. Apakah lebih baik untuk melihat pacf saja? Jika saya melihat ACF atau PACF bagaimana saya membedakan model AR (p) (yang bukan musiman) versus model musiman? @Ferdi

— Michael D

Saya tidak mengetahui algoritme apa pun yang dapat Anda jalankan secara membabi buta pada seri waktu apa pun untuk menguji musiman

— Ferdi

Saya ... AUTOBOX secara otomatis mencari stokastik yaitu struktur ARIMA dan struktur deterministik (efek tetap seperti hari-of-the-minggu, bulan-of-the-tahun, hari-of-the-bulan, kuartal-of-the-the -tahun dll) ketika berurusan dengan komplikasi seperti langkah / level shift, tren waktu lokal, pulsa, perubahan parameter dan varians kesalahan dari waktu ke waktu. Ada versi R. Ini merupakan hasil dari disertasi PHD saya untuk mengotomatiskan identifikasi model deret waktu dalam pengaturan univariat dan multivariat.

— IrishStat

Pikiranku adalah untuk memeriksa amplitudo dari:

Fungsi autokorelasi ACF
Fungsi autokorelasi parsial PACF
Koefisien Fourier

(Koefisien Fourier terkait dengan ACF melalui teorema Wiener-Khinchin .)

— Michael D
sumber