कौन सा बेहतर है, stl या विघटित?

Question

मैं आर का उपयोग करके समय श्रृंखला विश्लेषण कर रहा हूं। मुझे अपने डेटा को प्रवृत्ति, मौसमी और यादृच्छिक घटक में विघटित करना है। मेरे पास 3 साल का साप्ताहिक डेटा है। मुझे आर - stl()और में दो कार्य मिले हैं decompose()। मैंने पढ़ा है कि stl()गुणात्मक अपघटन के लिए अच्छा नहीं है। क्या कोई मुझे बता सकता है कि इन कार्यों का उपयोग किस परिदृश्य में किया जा सकता है?

Comments

आप अपनी समस्या के लिए कुछ संदर्भ प्रदान करने की आवश्यकता होगी, अन्यथा हम ढेर विनिमय या करीबी सिफारिश तुम कोशिश के साथ करने के लिए स्थानांतरित करने के लिए होगा ?stlऔर ?decompose।

— एडमो

Answer 1

मैं कहूंगा STL। STL ट्रेंड और सीजनल देखती है: http://www.wessa.net/download/stl.pdf

विघटन केवल मौसमी दस्तावेज को यहाँ देखता है: http://stat.ethz.ch/R-manual/R-devel/library/stats/html/decompose.html

जब आप उनके साथ काम करते हैं तो अपने ट्रेंड टाइप (गुणक, एडिटिव) और सीज़न टाइप (मल्टीप्लिव, एडिटिव) को शामिल करना सुनिश्चित करें। रुझान कभी-कभी एक भिगोना कारक भी हो सकते हैं।

गुणात्मक अपघटन द्वारा मैं मानता हूं कि आप प्रवृत्ति के मामले में मतलब रखते हैं। जब तक आप घातीय वृद्धि कार्य को विघटित नहीं कर रहे हैं, तब तक आप गुणन अपघटन का उपयोग करने की संभावना नहीं है।

Comments

साधारण मामले में गुणात्मक अपघटन है जहां अंतर्निहित मॉडल Y = प्रवृत्ति * मौसमी * त्रुटि है। गुणक मॉडल गैर-घातीय संदर्भों में आते हैं। उदाहरण के लिए बिक्री के साथ आपके पास यातायात का एक निश्चित स्तर और एक निश्चित रूपांतरण दर है, और इसलिए मौसमी घटक प्रवृत्ति के साथ आनुपातिक रूप से भिन्न होता है। समाधान एक नेटली का वर्णन है।

Answer 2

decomposeआर में समारोह के नुकसान :

1. प्रवृत्ति का अनुमान पहले कुछ और अंतिम कुछ टिप्पणियों के लिए उपलब्ध नहीं है।
2. यह मानता है कि मौसमी घटक वर्ष से वर्ष तक दोहराता है।

इसलिए मैं एसटीएल को प्राथमिकता दूंगा। पहले डेटा के लॉग लेने और फिर घटकों को बैक-ट्रांसफ़ॉर्म करके एक गुणात्मक अपघटन प्राप्त करना संभव है।

Answer 3

एसटीएल मौसमी को निकालने के लिए एक अधिक उन्नत तकनीक है, इस अर्थ में कि मौसमी को अलग-अलग होने की अनुमति मिलती है, जो कि मामला नहीं है decompose।

एसटीएल कैसे काम करता है:

• एल्गोरिथ्म हर मौसमी उप-सेरी का अनुमान लगाता है (7-दिवसीय सीज़न में, यह 7 उप-श्रृंखला का अनुमान लगाएगा: सोमवार का समय सीरी, मंगलवार का समय सीरी, आदि)।
• इसके बाद हर उप-सीरी पर एक लॉयस रिग्रेशन चलाकर स्थानीय मौसम का अनुमान लगाया जाएगा।

यह मौसमी में अलग-अलग प्रभाव को पकड़ने की अनुमति देता है। यदि आप नहीं चाहते हैं कि आपकी मौसमी भिन्नता हो (दूसरे शब्दों में प्रत्येक उप-सीरी का अनुमानित प्रभाव पूरे समय सीरी पर स्थिर रहेगा), तो आप मौसमी खिड़की को अनंत या "आवधिक" होने के लिए निर्दिष्ट कर सकते हैं। यह प्रत्येक उप-सीरी औसत के बराबर है और सभी बिंदुओं के लिए एक समान वजन दे रहा है (आपके पास अब कोई "स्थानीय" प्रभाव नहीं है)। decomposeअनिवार्य रूप से एक ही है, क्योंकि मौसमी उप-घटक आपके पूरे समय सीरी में स्थिर रहेंगे, जो एसटीएल का एक विशेष विन्यास है।

यह यहाँ बहुत अच्छी तरह से समझाया गया है: https://www.otexts.org/fpp/6/1 ।

एसटीएल एक additive तरीके से सीज़न का अनुमान लगाता है। जैसा कि पिछले स्रोत में कुछ पन्नों के बारे में बताया गया है, आप लॉग ट्रांसफ़ॉर्मेशन (या कॉक्स-बॉक्स ट्रांसफ़ॉर्मेशन) का सहारा लेकर मौसमी मात्रा का अनुमान लगा सकते हैं।