첨가제 대 곱셈 분해

내 질문은 정말 간단한 질문이지만 실제로 얻을 수있는 질문입니다.) 특정 시계열이 첨가제 또는 곱셈 분해 방법을 사용하여 분해되는지 여부를 평가하는 방법을 모르겠습니다. 나는 서로 떨어져 있다는 것을 알려주는 시각적 단서가 있지만 나는 그것을 얻지 못한다는 것을 알고 있습니다.

이 시계열을 예로 들어 보겠습니다.

여기에 이미지 설명을 입력하십시오

어떻게 설명하겠습니까?

도움을 주셔서 감사합니다.

time-series mathematical-statistics variance-decomposition

— 4 학습
소스

곱셈 분해는 대수의 덧셈 분해와 대략적으로 일치하므로 stats.stackexchange.com/questions/74537 에서 로그 변환 (또는 제곱근) 변환을 수행할지 여부를 결정하는 스레드도 상당 부분 적용됩니다. (이 시점이 아니기 때문에 변환을 적용 할 때주의해야 할 답변은 무시하십시오.) 예를 들어 데이터 의 역수 에 기반한 분해 가 필요할 수 있습니다. 특히 역수에 의미있는 해석이있는 경우 (예 : 갤런 당 마일 변환) 마일 당 갤런으로).

— whuber

@ whuber 귀하의 답변과 관심있는 SO 게시물에 대해 대단히 감사합니다. 나는 그것들을 구별하는 방법을 배우고 삽화 목적으로 그 시계열을 사용하여 서로를 사용할 때를 말하기를 바랐습니다. 나는 분해 기반의 역수에 대해 들어 본 적이 없다 :-/ 나는 그것에 대해 약간의 연구를 할 것이다.

— 4everlearning

스레드 I 참조주고 절차에서 두 응답 간의 차이를 구분하려면 : "기상 캐스터"하나는 은 "STL 방법"을 의미하고 도시한다 내 대답 은 R간단하고 강력한 탐색 방법 인 "스프레드 대 레벨 플롯"을 설명하고 코드를 제공 합니다. 그래프를 볼 수 있으며 값이 600에 가까울 때 단기 변동의 진폭이 200에 가까울 때보 다 거의 10 배 더 큽니다. 이는 로그, 역수 또는 역수의 제곱근을 고려한다는 것을 나타냅니다.

— whuber

@whuber가 권장하는 것 외에도 https://www.otexts.org/fpp/6/1 을 참조하여 첨가제 대 곱셈 분해를 선택하는 이유를 설명합니다.

특히 데이터를 살펴보면 계절성이 다르기 때문에 (예 : 처음에는 계절성이 크고, 이후 계절성이 거의 없기 때문에, 이는 곱셈 분해를 시사합니다. 위에서 언급 한 텍스트에 따르면, 대안은 적절한 변환을 수행하고 부가적인 분해를 적용하는 것입니다.

mod 1972 주변에서 데이터의 레벨 이동이 있으며 분해시 처리해야합니다.

관찰되지 않은 구성 요소 모델이라고하는 또 다른 분해 기반 방법이 있습니다.이 모델은 대부분의 추측 작업을 분해에서 제외시키고 확률 론적 결정 론적 / 결정 론적 경향 / 계절성 등과 같은 올바른 결정을 내릴 수있는 좋은 통계를 제공합니다.

도움이 되었기를 바랍니다.

— 예측 자
소스

+1 명확히하기 위해 : 대안으로 적절한 변환을 권장하지는 않았습니다. 내 제안은 곱셈 구조의 하나의 표시는 로그 변환이 평균 대 평균 관계를 안정화시키는 것으로 보인다는 것입니다.

— whuber

나는 @whuber에 완전히 동의합니다.

— 예측 자