आर पूर्वानुमान पैकेज से टीबीएटीएस का उपयोग करके समय श्रृंखला अपघटन की व्याख्या करना

Question

मैं निम्नलिखित समय सीरीज़ डेटा को मौसमी, प्रवृत्ति और अवशिष्ट पोटीनीनेट में विघटित करना चाहूंगा। डेटा एक व्यावसायिक भवन से प्रति घंटा कूलिंग एनर्जी प्रोफ़ाइल है:

TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81)
plot(TotalCoolingForDecompose.ts)

इसलिए स्पष्ट दैनिक और साप्ताहिक मौसमी प्रभाव हैं, इसलिए से सलाह के आधार पर: कई मौसमी घटकों के साथ समय श्रृंखला को कैसे विघटित किया जाए? , मैंने पैकेज tbatsसे फ़ंक्शन का उपयोग किया forecast:

TotalCooling.tbats <- tbats(TotalCoolingForDecompose.ts, seasonal.periods=c(24,168), use.trend=TRUE, use.parallel=TRUE)
plot(TotalCooling.tbats)

जिसके परिणामस्वरूप:

क्या करते हैं levelऔर slopeइस मॉडल के घटकों का वर्णन? मैं इस पैकेज ( डी लिवर, हैडमैन और स्नाइडर (JASA, 2011) द्वारा संदर्भित पेपर के समान trendऔर remainderघटक कैसे प्राप्त कर सकता हूं )?

Comments

मुझे पहले भी यही समस्या आई थी। और मुझे लगता है कि यहाँ प्रवृत्ति का मतलब l + b हो सकता है। (कागज में, मॉडल है) या आप robjhyndman.com/hyndsight/forecasting-weekly-data

— user49782

मेरी भी यही समस्या है। मैं गलत हो सकता हूं लेकिन अवशिष्टों का पता लगाने के लिए आप अवशेषों (TotalCooling.tbats) का उपयोग कर सकते हैं। कर्व्स प्लॉट (पूर्वानुमान (TotalCooling.tbats, h = 1) $ रेजीड्यूल्स) द्वारा भी पुष्टि की जाती है, प्रवृत्ति "ढलान" है।

— marcodena

Answer 1

इस पृष्ठ पर उपयोगकर्ता टिप्पणियों में , कोई व्यक्ति स्तर और ढलान की व्याख्या के बारे में पूछता है, और यह भी है कि decompose()फ़ंक्शन प्रदान करने वाले रुझान और अवशेष कैसे प्राप्त करें । Hyndman टिप्पणी वहाँ के रूप में एक सीधे अनुवाद नहीं है कि decompose()और tbats()विभिन्न मॉडलों का उपयोग करें। लेकिन अगर आपके टीबीएटीएस मॉडल में बॉक्स-कॉक्स ट्रांसफॉर्मेशन नहीं है, तो टीबीएटीएस का स्तर लगभग decompose()ट्रेंड जैसा ही है । यदि दूसरी ओर मॉडल बॉक्स-कॉक्स परिवर्तन को लागू करता है, तो आपको इस स्तर को (लगभग) प्रवृत्ति की व्याख्या करने से पहले परिवर्तन को पूर्ववत करना होगा। कम से कम यह है कि मैं उसकी प्रतिक्रिया की व्याख्या कैसे करूं।

अवशिष्ट और ढलान के लिए, वे समान नहीं हैं।

आप सोच सकते हैं एक बुनियादी अपघटन में एक प्रवृत्ति घटक, एक मौसमी घटक और एक अवशिष्ट घटक होता है।

आप एक स्तर और ढलान में आगे चलन को तोड़ सकते हैं। स्तर अनिवार्य रूप से प्रवृत्ति के लिए एक आधार रेखा है, और ढलान प्रति इकाई समय में परिवर्तन है।

प्रवृत्ति को एक स्तर और ढलान में तोड़ने का कारण यह है कि कुछ मॉडल नम विकास का समर्थन करते हैं। हो सकता है कि आप वर्तमान विकास का निरीक्षण करें, लेकिन आप समय के साथ धीरे-धीरे विकास को कम करने की उम्मीद करते हैं, और आप चाहते हैं कि आपके पूर्वानुमान उस उम्मीद को प्रतिबिंबित करें। मॉडल आपको ढलान पर एक भिगोने वाले कारक को लागू करके विकास को नम करने की अनुमति देकर इसका समर्थन करता है, जिससे यह शून्य की ओर अभिसरण हो जाता है, जिसका अर्थ है कि प्रवृत्ति अपने स्तर घटक की ओर अभिसरण हो जाती है।

इस सवाल का सीधा-सा जवाब नहीं है कि ट्रेंड की पैदावार के लिए स्तर और ढलान किस तरह से मेल खाते हैं। यह आपके द्वारा उपयोग किए जा रहे मॉडल के प्रकार पर निर्भर करता है। एक सामान्य कथन के रूप में, एडिटिव ट्रेंड मॉडल उन्हें एक एडिटिव फैशन में जोड़ते हैं और मल्टीप्लिडेटिव ट्रेंड मॉडल उन्हें एक गुणात्मक तरीके से जोड़ते हैं। मॉडल के नम संस्करण एक नम ढलान के साथ स्तर को मिलाते हैं। एक्सपोनेंशियल स्मूथिंग बुक के साथ हाइडमैन का पूर्वानुमान (आशा है कि अमेज़ॅन लिंक को शामिल करना ठीक है- लेखक के साथ मेरा कोई संबंध नहीं है) तालिका 2.1 में प्रति मॉडल के आधार पर सटीक समीकरण प्रदान करता है।