Tes chow atau tidak?

Saya mencoba mengatur layar otomatis untuk mendeteksi kerusakan struktural dalam sejumlah besar rangkaian waktu.

Rangkaian waktu mingguan dan mewakili perilaku pelanggan. Saya sudah menyiapkan tes Chow. Saya menggunakan 4 minggu terakhir dan membandingkannya dengan 22 sebelumnya. Saya ingin tahu apakah perilaku terbaru mereka berbeda secara signifikan dari perilaku sebelumnya.

Pertanyaan saya adalah ini:

Apakah Tes Chow merupakan tes yang paling tepat untuk pertanyaan ini?

Jika ini bukan tes yang paling tepat, bagaimana saya bisa menentukan tes apa yang paling tepat?

Pertanyaan Anda paling menarik bagi saya dan solusinya adalah penelitian utama saya selama beberapa tahun.

Ada sejumlah cara yang dapat menyebabkan "jeda struktural".

Jika ada perubahan dalam Intersepsi atau perubahan Tren dalam "bagian terakhir dari rangkaian waktu" maka orang akan lebih cocok untuk melakukan Deteksi Intervensi (NB ini adalah identifikasi empiris dari dampak signifikan dari Variabel Deterministik yang tidak ditentukan seperti itu. sebagai Pergeseran Level atau Perubahan Tren atau awal Musiman Nadi). Deteksi Intervensi kemudian adalah kursor awal ke Pemodelan Intervensi di mana variabel yang disarankan dimasukkan dalam model. Anda dapat menemukan informasi di web dengan googling "DETEKSI INTERVENSI OTOMATIS". Beberapa penulis menggunakan istilah "DETEKSI OUTLIER" tetapi seperti banyak bahasa statistik ini dapat membingungkan / tidak tepat. Intervensi yang terdeteksi dapat berupa salah satu dari yang berikut ini (mendeteksi perubahan signifikan dalam rata-rata residu);

1. 1 periode perubahan Level (yaitu Pulse)
2. perubahan multi-periode yang berdekatan di Level (yaitu perubahan Intercept)
3. Pulsa sistematis (yaitu Pulsa Musiman)
4. perubahan tren (yaitu 1,2,3,4,5,7,9,11,13,15 .....)

Prosedur ini mudah diprogram dalam R / SAS / Matlab dan tersedia secara rutin di sejumlah paket seri waktu yang tersedia secara komersial namun ada banyak jebakan yang perlu diwaspadai seperti apakah mendeteksi struktur stochastic terlebih dahulu atau melakukan deteksi intervensi pada seri asli. Ini seperti masalah ayam dan telur. Pekerjaan awal di bidang ini terbatas pada tipe 1 dan karena itu mungkin tidak akan cukup untuk kebutuhan Anda.

Jika tidak ada fenomena seperti itu terdeteksi maka orang mungkin mempertimbangkan TES CHOW yang biasanya mengharuskan pengguna untuk menentukan sebelumnya titik perubahan hipotesis. Saya telah meneliti dan menerapkan prosedur untuk DETECT titik perubahan dengan mengevaluasi titik hipotetis alternatif dalam waktu untuk menentukan titik istirahat yang paling mungkin.

Sebagai penutup, orang mungkin juga peka terhadap kemungkinan bahwa mungkin ada perubahan struktural dalam varian kesalahan sehingga mungkin menutupi TES CHOW yang mengarah ke penerimaan palsu hipotesis nol dari tidak ada break point yang signifikan dalam parameter.