Mana yang lebih baik, stl atau membusuk?

10

Saya melakukan analisis deret waktu menggunakan R. Saya harus menguraikan data saya menjadi komponen tren, musiman dan acak. Saya memiliki data mingguan selama 3 tahun. Saya telah menemukan dua fungsi di R - stl()dan decompose(). Saya telah membaca bahwa stl()ini tidak baik untuk dekomposisi multiplikasi. Adakah yang bisa memberi tahu saya dalam skenario apa fungsi-fungsi ini dapat digunakan?

r time-series

— Arushi
sumber

1

Anda perlu memberikan beberapa konteks untuk masalah Anda, jika tidak, kami harus bermigrasi untuk menukar pertukaran atau menutup dengan rekomendasi yang Anda coba ?stldan ?decompose.

— AdamO

4

Saya akan mengatakan STL. STL melihat tren dan musiman: http://www.wessa.net/download/stl.pdf

Hanya terurai yang musiman lihat dokumentasi di sini: http://stat.ethz.ch/R-manual/R-devel/library/stats/html/decompose.html

Ketika Anda bekerja dengan mereka pastikan untuk memasukkan jenis tren Anda (multiplicative, additive) dan tipe musim (multiplicative, additive). Tren juga terkadang memiliki faktor redaman.

Dengan dekomposisi multiplikasi, saya asumsikan maksud Anda dalam kasus tren. Anda tidak akan menggunakan dekomposisi multiplikasi kecuali Anda menguraikan fungsi pertumbuhan eksponensial.

— ccsv
sumber

Dekomposisi multiplikasi dalam kasus sederhana adalah di mana model yang mendasarinya adalah Y = tren * musiman * kesalahan. Model multiplikatif muncul dalam konteks non-eksponensial. Misalnya dengan penjualan Anda memiliki tingkat lalu lintas tertentu dan tingkat konversi tertentu, sehingga komponen musiman bervariasi secara proporsional dengan tren. Solusi adalah yang dijelaskan Natalie.

5

Kekurangan decomposefungsi dalam R:

Estimasi tren tidak tersedia untuk beberapa pengamatan pertama dan terakhir.
Diasumsikan bahwa komponen musiman berulang dari tahun ke tahun.

Jadi saya lebih suka STL. Dimungkinkan untuk mendapatkan dekomposisi multiplikatif dengan terlebih dahulu mengambil log data dan kemudian mengubah kembali komponen.

— Natalie
sumber

1

STL adalah teknik yang lebih maju untuk mengekstraksi musiman, dalam arti memungkinkan musiman bervariasi, yang tidak demikian halnya decompose.

Untuk mendapatkan pemahaman tentang cara kerja STL:

algoritma memperkirakan setiap sub-seri musiman (dalam 7 hari musiman, akan memperkirakan 7 sub-seri: seri waktu Senin, seri waktu Selasa, dll.),
kemudian akan memperkirakan musiman lokal dengan menjalankan regresi loess pada setiap sub-seri.

Hal ini memungkinkan untuk menangkap efek yang bervariasi pada musim. Jika Anda tidak ingin musiman Anda berubah-ubah (dengan kata lain perkiraan efek dari masing-masing sub-serie akan tetap konstan di sepanjang seri waktu), Anda dapat menentukan jendela musiman menjadi tak terbatas atau "periodik". Ini setara dengan rata-rata setiap sub-seri dan memberikan bobot yang sama untuk semua poin (Anda tidak memiliki efek "lokal" lagi). decomposepada dasarnya sama, karena sub-komponen musiman akan tetap konstan di sepanjang seri waktu Anda, yang merupakan konfigurasi khusus STL.

Ini dijelaskan dengan cukup baik di sini: https://www.otexts.org/fpp/6/1 .

STL memperkirakan musiman dengan cara tambahan. Seperti yang dijelaskan beberapa halaman kemudian dalam sumber sebelumnya, Anda dapat memperkirakan musiman dengan cara multiplikatif dengan menggunakan transformasi log (atau transformasi Cox-Box).

— Tanguy
sumber