R 계절 시계

이 decompose기능을 사용하고 R월별 시계열의 3 가지 구성 요소 (추세, 계절 및 랜덤)를 생각해 냈습니다. 차트를 작성하거나 표를 보면 시계열이 계절성에 영향을 받는다는 것을 분명히 알 수 있습니다.

그러나 시계열을 11 계절 더미 변수에 회귀하면 모든 계수가 통계적으로 유의하지 않으므로 계절성이 없음을 나타냅니다.

왜 내가 두 가지 매우 다른 결과를 내는지 이해하지 못합니다. 누구에게 이런 일이 있었습니까? 내가 뭔가 잘못하고 있습니까?

유용한 정보를 여기에 추가합니다.

이것은 나의 시계열과 해당 월간 변화입니다. 두 차트 모두 계절성이 있음을 알 수 있습니다 (또는 이것이 내가 평가하고 싶은 것임). 특히 두 번째 차트 (매월 시리즈 변경)에서 반복 패턴 (연도 같은 달에 높은 점수와 낮은 점수)을 볼 수 있습니다.

아래는 decompose함수 의 출력입니다 . @RichardHardy가 말했듯이 함수는 실제 계절성이 있는지 테스트하지 않습니다. 그러나 분해는 내가 생각하는 것을 확인하는 것 같습니다.

그러나 11 개의 계절 더미 변수 (12 월을 제외하고 1 월에서 11 월까지)에 대한 시계열을 회귀하면 다음과 같은 결과를 얻습니다.

    Coefficients:
                  Estimate Std. Error t value Pr(>|t|)    
    (Intercept) 5144454056  372840549  13.798   <2e-16 ***
    Jan     -616669492  527276161  -1.170    0.248    
    Feb     -586884419  527276161  -1.113    0.271    
    Mar     -461990149  527276161  -0.876    0.385    
    Apr     -407860396  527276161  -0.774    0.443    
    May     -395942771  527276161  -0.751    0.456    
    Jun     -382312331  527276161  -0.725    0.472    
    Jul     -342137426  527276161  -0.649    0.520    
    Aug     -308931830  527276161  -0.586    0.561    
    Sep     -275129629  527276161  -0.522    0.604    
    Oct     -218035419  527276161  -0.414    0.681    
    Nov     -159814080  527276161  -0.303    0.763

기본적으로 모든 계절 계수는 통계적으로 유의하지 않습니다.

선형 회귀를 실행하려면 다음 함수를 사용하십시오.

lm.r = lm(Yvar~Var$Jan+Var$Feb+Var$Mar+Var$Apr+Var$May+Var$Jun+Var$Jul+Var$Aug+Var$Sep+Var$Oct+Var$Nov)

여기서 Yvar를 월간 빈도 (주파수 = 12)의 시계열 변수로 설정했습니다.

또한 회귀에 대한 추세 변수를 포함하여 시계열의 추세 구성 요소를 고려하려고합니다. 그러나 결과는 변경되지 않습니다.

                  Estimate Std. Error t value Pr(>|t|)    
    (Intercept) 3600646404   96286811  37.395   <2e-16 ***
    Jan     -144950487  117138294  -1.237    0.222    
    Feb     -158048960  116963281  -1.351    0.183    
    Mar      -76038236  116804709  -0.651    0.518    
    Apr      -64792029  116662646  -0.555    0.581    
    May      -95757949  116537153  -0.822    0.415    
    Jun     -125011055  116428283  -1.074    0.288    
    Jul     -127719697  116336082  -1.098    0.278    
    Aug     -137397646  116260591  -1.182    0.243    
    Sep     -146478991  116201842  -1.261    0.214    
    Oct     -132268327  116159860  -1.139    0.261    
    Nov     -116930534  116134664  -1.007    0.319    
    trend     42883546    1396782  30.702   <2e-16 ***

따라서 내 질문은 : 회귀 분석에서 뭔가 잘못하고 있습니까?

추세를 제거한 후 데이터에 대해 회귀 분석을 수행하고 있습니까? Yvar의 추세를 고려하지 않는 한 긍정적 인 추세가 있으며 계절적 특성이 회귀에서 가려 질 수 있습니다 (트랜드 또는 오류로 인한 차이가 월으로 인해보다 큽니다).

또한 시계열에 대해 확신이 없지만 각 관측치에 한 달을 할당해서는 안되며 회귀 분석은 다음과 같습니다.

lm(Yvar ~ Time + Month)

그게 말이 안된다면 사과 ... 회귀가 가장 의미가 있습니까?

시계열을 그래픽으로 묘사 할 때, 시간의 선형 성분 인 "추세"가 실현에 가장 큰 기여를하는 것은 분명합니다. 우리는이 시계열의 가장 중요한 측면이 매달 안정적인 상승이라고 말합니다.

그 후, 나는 계절에 따른 변동이 아주 작은 것이라고 언급하고 싶습니다. 따라서 6 년에 걸쳐 월 단위로 측정 된 총 측정치 (총 72 개의 관측치)에서 선형 회귀 모형 은 11 개월 대비를 통계적으로 유의 한 것으로 식별 할 수있는 정밀도 를 갖지 못합니다 . 또한 시간 효과 가 계절적 영향에 따라 72 개의 모든 관측치에서 발생하는 거의 일관된 선형 증가이기 때문에 시간 효과 가 통계적 유의성을 달성 한다는 것은 놀라운 일이 아닙니다 .

11 개월간 대조에 대한 통계적 유의성 이 없다고해서 계절적 영향이 없음을 의미 하지는 않습니다 . 실제로 회귀 모형을 사용하여 계절성이 있는지 여부를 결정하는 경우 적절한 검정은 매월 대비의 통계적 유의성을 동시에 평가하는 중첩 된 11 자유도 검정입니다. 분산 분석, 우도 비율 테스트 또는 강력한 Wald 테스트를 수행하여 이러한 테스트를 얻을 수 있습니다. 예를 들어 :

library(lmtest) model.mt <- lm(outcome ~ time + month) model.t <- lm(outcome ~ time) aov(model.mt, model.t) lrtest(model.mt, model.t) library(sandwich) ## autoregressive consistent robust standard errors waldtest(lrtest, lmtest, vcov.=function(x)vcovHAC(x))

그것이 당신의 경우인지 모르겠지만, R에서 시계열 분석을 시작했을 때 나에게 일어 났으며 문제는 시계열 객체를 분해 할 때 시계열 기간을 올바르게 언급하지 않았다는 것입니다. 시계열 기능에는 주파수를 지정할 수있는 매개 변수가 있습니다. 그렇게하면 계절 추세를 올바르게 분해합니다.