복잡한 계절성에 대한 계절성 지수 계산

지수 평활을 사용하여 소매 항목 (주별)을 예측하고 싶습니다. 나는 sesonality 인덱스를 계산하고 저장하고 적용하는 방법에 지금 붙어 있습니다.

문제는 내가 찾은 모든 예제가 일종의 간단한 계절성을 다루는 것입니다. 제 경우에는 다음과 같은 문제가 있습니다. 1. 매년 같은 주에 계절이 발생하지 않습니다 : 움직일 수 있습니다. 마디-그라, 빌트, 부활절 및 기타 몇 가지. 2. 연도에 따라 계절이 달라집니다. 예를 들어, 국경일이 있습니다. 휴일이 주말에 가까운 지 여부에 따라 고객은 도시를 떠나거나 떠나지 않을 것입니다. 따라서 두 가지 계절이 있습니다. 하나는 고객이 도시를 떠나고 다른 하나는 도시를 떠나지 않습니다. 3. 때때로 2 시즌 (또는 3 시즌)이 동시에 발생합니다. 예를 들어, 발렌타인 시즌과 동시에 "Mardi-Gras"시즌이 발생했습니다.
4. 때때로 계절의 기간이 변경됩니다. 예를 들어, "할로윈 시즌"은 올해 초에 시작되었습니다. 크리스마스는 매년 우리가 제품을 운반하기 시작하는 것처럼 보이는 또 다른 예입니다.

어떤 종류의 "계절 프로필"을 설정하는 방법을 찾아야 할 것 같습니다. 그러면 특정 시나리오에 따라 올바른 계절 지수를 얻기 위해 어떻게 든 추가됩니다. 말이 돼?

아무도 내가 이것을하는 방법에 대한 실용적인 정보를 어디서 찾을 수 있는지 알고 있습니까?

고마워, Edgard

설명하는 계절의 종류에 대해 더미 변수 접근 방식이 가장 좋습니다. 그러나 이는 지수 평활 프레임 워크보다 ARIMA 프레임 워크에서 처리하기가 더 쉽습니다. 여기서 각 변수는 휴일 또는 축제 이벤트 중 하나에 해당합니다. 이것이 R 의 함수가 회귀 변수에 맞는 방법입니다 (ARIMAX 모델이 아닌 ARIMA 오류가있는 회귀).

지수 평활화 프레임 워크를 고수하고 싶다면 2008 년 지수 평활 법에 공변량을 포함시키는 방법에 대한 논의가 있습니다. 우리가 논의하는 계절적 합병증의 유형이 설명하는 움직이는 축제 종류보다 더 어렵지만 복잡한 계절성을 가진 지수 평활 에 관한 최근 논문을 볼 수도 있습니다 .

간단한 수정 사항은 스펙에 이벤트 인형을 포함시키는 것입니다.

$(1) \hat{y_t}=\lambda_1 y_{t-1}+...+\lambda_k y_{t-k}+\phi_1 D_{t,1}+\phi_m D_{t,m}$

여기서 지표 촬영 값 주 경우 이벤트가 모두, 그렇지 않으면 (마디가 그라 말)와 0 이벤트는 중요하다고 생각.$D_{t,m}$$1$$t$$m$$m$

사양 의 첫 번째 부분 은 본질적으로 기하 급수적으로 만 지연의 함수에 따라 가중치가 (OLS에 의해 추정 됨).$\lambda_1 y_{t-1}+...+\lambda_k y_{t-k}$

이것은 각 사건에 대해 적어도 20 개의 관측치 (즉, 20 개의 '마디 그라')가 있다고 전제합니다. 그렇지 않은 경우 일부 이벤트 (예 : 마디 그라 및 노동절)를 함께 묶어보십시오.

dlsales가 정지적이고 D가 더미 변수의 행렬이라고 가정 할 때, R을 맞추기 위해서는 (1) 다소 단호합니다.

fit<-arima(dlsales,order=c(4,0,0),seasonal = list(order = c(1, 0, 0),period=52),xreg = D)

여기서부터는 익숙하지 않은 내 답변 부분에 대해 더 구체적인 질문을 할 수 있습니다 (통계 수준이 무엇인지 모르겠습니다).