ACF और PACF के साथ मौसमी की व्याख्या करना

10

मेरे पास एक डेटासेट है जहां अनुभवजन्य अंतर्ज्ञान कहते हैं कि मुझे एक साप्ताहिक मौसमीता की उम्मीद करनी चाहिए (यानी, शनिवार और रविवार को व्यवहार सप्ताह के बाकी हिस्सों से अलग है)। क्या यह आधार सही होना चाहिए, क्या ऑटोकॉर्पेशन ग्राफ मुझे 7 के लैग मल्टीप्ले में फटने नहीं देना चाहिए?

यहाँ डेटा का एक नमूना है:

data = TemporalData[{{{2012, 09, 28}, 19160768}, {{2012, 09, 19}, 
    19607936}, {{2012, 09, 08}, 7867456}, {{2012, 09, 15}, 
    11245024}, {{2012, 09, 04}, 0}, {{2012, 09, 21}, 
    24314496}, {{2012, 09, 12}, 11233632}, {{2012, 09, 03}, 
    9886496}, {{2012, 09, 09}, 9122272}, {{2012, 09, 24}, 
    23103456}, {{2012, 09, 20}, 25721472}, {{2012, 09, 11}, 
    12272160}, {{2012, 09, 25}, 21876960}, {{2012, 09, 05}, 
    7182528}, {{2012, 09, 16}, 11754752}, {{2012, 09, 23}, 
    23737248}, {{2012, 09, 26}, 20985984}, {{2012, 09, 10}, 
    12123584}, {{2012, 09, 06}, 9076736}, {{2012, 09, 17}, 
    20123328}, {{2012, 09, 18}, 20634720}, {{2012, 09, 22}, 
    23361024}, {{2012, 09, 14}, 11804928}, {{2012, 09, 07}, 
    9007200}, {{2012, 09, 02}, 9244192}, {{2012, 09, 13}, 
    11335328}, {{2012, 09, 27}, 20694720}, {{2012, 10, 26}, 
    12242112}, {{2012, 10, 15}, 10963776}, {{2012, 11, 09}, 
    9735424}, {{2012, 10, 08}, 10078240}, {{2012, 10, 31}, 
    10676736}, {{2012, 10, 20}, 11719840}, {{2012, 11, 05}, 
    10475168}, {{2012, 10, 01}, 9988416}, {{2012, 10, 24}, 
    11998688}, {{2012, 10, 12}, 10393120}, {{2012, 10, 23}, 
    11987936}, {{2012, 10, 19}, 11165536}, {{2012, 10, 04}, 
    9902720}, {{2012, 11, 16}, 10023648}, {{2012, 11, 21}, 
    10047936}, {{2012, 10, 10}, 10205568}, {{2012, 11, 08}, 
    9872832}, {{2012, 10, 21}, 12854112}, {{2012, 11, 04}, 
    10485856}, {{2012, 10, 07}, 9565248}, {{2012, 09, 30}, 
    9784864}, {{2012, 10, 29}, 12880064}, {{2012, 11, 10}, 
    8945824}, {{2012, 11, 15}, 9870880}, {{2012, 09, 29}, 
    9718080}, {{2012, 10, 18}, 10992896}, {{2012, 10, 06}, 
    9319584}, {{2012, 11, 03}, 9077024}, {{2012, 10, 03}, 
    10537408}, {{2012, 11, 22}, 9853216}, {{2012, 10, 11}, 
    10191936}, {{2012, 10, 22}, 12766816}, {{2012, 11, 07}, 
    9510624}, {{2012, 11, 14}, 9707264}, {{2012, 10, 28}, 
    12060736}, {{2012, 11, 19}, 10946880}, {{2012, 11, 11}, 
    9529568}, {{2012, 10, 09}, 9967680}, {{2012, 10, 17}, 
    12093344}, {{2012, 11, 20}, 10520800}, {{2012, 10, 05}, 
    9619136}, {{2012, 10, 25}, 11484288}, {{2012, 11, 17}, 
    9389312}, {{2012, 10, 30}, 12078944}, {{2012, 10, 14}, 
    9505984}, {{2012, 10, 02}, 9943648}, {{2012, 11, 24}, 
    9458144}, {{2012, 11, 02}, 10082944}, {{2012, 11, 01}, 
    11082912}, {{2012, 10, 13}, 9117632}, {{2012, 11, 23}, 
    10253280}, {{2012, 11, 12}, 10240672}, {{2012, 11, 06}, 
    9723456}, {{2012, 11, 13}, 9806880}, {{2012, 10, 16}, 
    12368896}, {{2012, 11, 18}, 9632800}, {{2012, 10, 27}, 10606656}}]

... और ACF:

यहां छवि विवरण दर्ज करें

... और PACF:

यहां छवि विवरण दर्ज करें

time-series autocorrelation forecasting

— ह्यूगो सेरेनो फरेरा
स्रोत

4

शायद आपका अंतर्ज्ञान गलत है? मैं व्यक्तिगत रूप से सप्ताह के दिन तक बॉक्सप्लेट देखना चाहता हूं। वो कैसे दिखते हैं? वैकल्पिक रूप से, आप मौसमी भूखंडों को देख सकते हैं, सप्ताह के दिन के खिलाफ ब्याज के अपने चर को कई हफ्तों के लिए साजिश रचते हैं

— Stephan कोलासा

1

क्या आपने इस पर ध्यान दिया है ?

— tchakravarty

16

सबसे पहले, यहाँ आपके अंतर्ज्ञान को एक सरलीकृत समय श्रृंखला में चित्रित किया गया है, जहां सप्ताहांत ACF में आसानी से स्पष्ट है:

यहां छवि विवरण दर्ज करें हालाँकि, यह अपेक्षित ACF पैटर्न तब हो सकता है जब डेटा में कुछ रुझान हो:

एक समाधान (यदि यह एक समस्या है) सीज़न का निर्धारण करते समय प्रवृत्ति के लिए अनुमान और नियंत्रण करना है।

इन प्लॉटों का निर्माण करने वाला आर कोड:

# fourteen repeating 'weeks' of five zeroes and two ones
weekendeffect <- rep(c(rep(0,5),1,1),times=14)

plot(weekendeffect,
    main="Weekly pattern of five zeroes & two ones",
    xlab="Time", ylab="Value")  
acf(weekendeffect, main="ACF")

# add steady trend 
dailydrift <- 0.05
drift <- seq(from=dailydrift, to=length(weekendeffect)*dailydrift, 
   by=dailydrift)
driftingtimeseries <- drift + weekendeffect 

plot(driftingtimeseries,
    main=c("Weekly pattern with daily drift of",dailydrift),
    xlab="Time", ylab="Value")  
acf(driftingtimeseries, main=c("ACF with daily drift of",dailydrift))


# add larger trend 
dailydrift <- 0.1
drift <- seq(from=dailydrift, to=length(weekendeffect)*dailydrift, 
   by=dailydrift)
driftingtimeseries <- drift + weekendeffect 

plot(driftingtimeseries,
    main=c("Weekly pattern with daily drift of",dailydrift),
    xlab="Time", ylab="value")  
acf(driftingtimeseries, main=c("ACF with daily drift of",dailydrift))

— MattBagg
स्रोत

0

क्या आपने अपने डेटा को स्थिर बनाने के लिए एक भिन्न तकनीक का उपयोग किया है? आपका ACF प्लॉट बताता है कि शायद आपने यह कदम नहीं उठाया है। एक बार जब आपके पास एक स्थिर श्रृंखला होगी तो भूखंडों की व्याख्या करना आसान हो जाएगा। मैं दो विश्वविद्यालय स्रोतों को जोड़ता हूं जो आपको अलग-अलग और व्याख्या करने में सहायता कर सकते हैं।

पेंसिल्वेनिया स्टेट यूनिवर्सिटी

ड्यूक विश्वविद्यालय

— जोर्डी पेरेपेरेस
स्रोत

कृपया भविष्य में मरने के मामले में अपने लिंक के लिए संदर्भ जोड़ें

— एंटोनी