fpp2学习笔记第六章之时间序列分解

最新推荐文章于 2022-02-15 11:24:20 发布

lww1993

最新推荐文章于 2022-02-15 11:24:20 发布

阅读量933

点赞数

分类专栏：时间序列

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/lww1993/article/details/103727173

版权

本文是fpp2学习笔记的第六章，介绍了时间序列的季节性、趋势和残差成分的分解方法，包括移动平均法估算趋势，平均法处理季节性，以及X11和SEATS分解。重点讨论了适用于任意季节性的STL模型，并提出了评估趋势和季节性强度的指标。在预测中，使用上一季节数据结合Holt、ARIMA或ETS模型进行预测。

摘要由CSDN通过智能技术生成

1. 我们常常将时间做如下分解:

$y_t = S_t + T_t + R_t$

或者

$y_t = S_t \times T_t \times R_t$

分别代表seasonal component, trend component, remainder component.

2. 对于trend component的估计，经典的方法是采用moving average的方法；

3. 对于seasonal component的估计，经典的方法是采用平均的方法；

4. X11 decomposition与SEATS decomposition的分解方法被广泛采用，但是这种方法是针对monthly data或者quarterly data设计的；

5. STL模型可以处理任意类型的seasonality, 可以控制变化率等；

6. 可以采用如下指标衡量trend component的强弱程度:

$max(0, 1-\frac{Var(R_t)}{ Var(T_t + R_t)})$

采用如下指标衡量seasonal component的强弱程度:

最低0.47元/天解锁文章

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
fpp2学习笔记第六章之时间序列分解

1. 我们常常将时间做如下分解:或者分别代表seasonal component, trendcomponent, remainder component.2. 对于trend component的估计，经典的方法是采用moving average的方法；3. 对于seasonal component的估计，经典的方法是采用平均的方法；4. X11 decomposi...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。