Test di stagionalità delle serie storiche

Quali sono i test di stagionalità più semplici per le serie storiche?

Essendo più specifico, voglio testare se in specific time series the seasonal componentè significativo.

Quali sono i pacchetti consigliati in Python / R?

— Michael D
fonte

Prima di testare la stagionalità, dovresti riflettere quale tipo di stagionalità hai. Si noti che esistono diversi tipi di stagionalità:

Additivo vs. stagionalità moltiplicativa
Stagionalità singole o multiple
Stagionalità con numero pari o dispari di periodi. Ogni anno ha dodici mesi, ma 52.1429 settimane.
Tendenza vs. stagionalità: un modello di stagionalità appare sempre nello stesso periodo, ma una tendenza può apparire un po 'più tardi o prima e non esattamente ogni 5 anni. Un esempio di una tendenza sono i cicli economici.

Uno dei metodi più comuni per rilevare la stagionalità è scomporre le serie temporali in più componenti.

In R puoi farlo con il decompose()comando dal pacchetto di statistiche preinstallato o con il stl()comando dal pacchetto di previsione.

Il seguente codice è tratto da Un piccolo libro di R per le serie storiche

births <- scan("http://robjhyndman.com/tsdldata/data/nybirths.dat")
birthstimeseries <- ts(births, frequency = 12, start = c(1946,1))
birthstimeseriescomponents <- decompose(birthstimeseries)
plot(birthstimeseriescomponents)

È possibile controllare i singoli componenti con

birthstimeseriescomponents$seasonal
birthstimeseriescomponents$random
birthstimeseriescomponents$trend

Un altro metodo consiste nell'includere manichini stagionali e verificare se presentano valori p significativi quando si calcola la regressione. Se i singoli mesi hanno coefficienti originali, le serie temporali mensili sono stagionali.

Un altro metodo per rilevare la stagionalità consiste nel tracciare i dati stessi o nel tracciare l'ACF (funzione di autocorrelazione). Nel nostro caso puoi facilmente notare che c'è stagionalità.

Infine, ci sono alcuni test di ipotesi "formali" al fine di rilevare la stagionalità come il test T per studenti e il test di rango firmato Wilcoxon.

— Ferdi
fonte

nel mio caso, non so da solo (additivo vs moltiplicativo, stagionalità singola o multipla stagionalità con numero pari o dispari di periodi), ho un sacco di serie temporali e vorrei avere un approccio di approvazione tanto quanto possibile. Per iniziare vorrei iniziare con l' additivo, la singola stagionalità, anche + nemmeno. @Ferdi

— Michael D,

forse dovresti pensare ai tuoi dati: sono dati giornalieri, settimanali, mensili o trimestrali? ci sono shock o irregolarità? cosa osservi quando lo visualizzi?

— Ferdi,

alcune delle serie temporali hanno settimanali, giornalieri, orari. E alcuni altri non hanno affatto. Per il primo passo, voglio rilevare se il componente stagionale significa completo. Per il tuo secondo esempio ha Lag 3 e 12. Ma in qualche modo a occhio non trovo alcuna stagionalità al lag 3. È meglio invece guardare su pacf ? Se guardo ACF o PACF come distinguo il modello AR (p) (che non è stagionale) rispetto a un modello stagionale? @Ferdi

— Michael D

Non sono a conoscenza di alcun algoritmo che puoi eseguire ciecamente su qualsiasi tipo di serie temporale per testare la stagionalità

— Ferdi,

Sono ... AUTOBOX cerca automaticamente sia la struttura stocastica, cioè ARIMA che la struttura deterministica (effetti fissi come giorno della settimana, mese dell'anno, giorno del mese, trimestre del -anno, ecc.) mentre si occupano di complicazioni come variazioni di gradino / livello, andamenti dell'ora locale, impulsi, variazioni di entrambi i parametri e varianza dell'errore nel tempo. Esiste una versione R. È una conseguenza della mia tesi di dottorato di ricerca di automatizzare l'identificazione del modello di serie storiche in contesti sia univariati che multivariati.

— IrishStat,

Il mio pensiero è di verificare l'ampiezza di:

Funzione di autocorrelazione ACF
Funzione di autocorrelazione parziale PACF
Coefficienti di Fourier

(I coefficienti di Fourier sono correlati all'ACF tramite il teorema di Wiener-Khinchin .)

— Michael D
fonte