Saya ingin menguraikan data deret waktu berikut ke dalam komponen musiman, tren, dan residual. Data tersebut adalah Profil Energi Pendinginan setiap jam dari sebuah bangunan komersial:
TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81)
plot(TotalCoolingForDecompose.ts)
Oleh karena itu ada efek musiman harian dan mingguan yang didasarkan pada saran dari: Bagaimana cara menguraikan rangkaian waktu dengan berbagai komponen musiman? , Saya menggunakan tbats
fungsi dari forecast
paket:
TotalCooling.tbats <- tbats(TotalCoolingForDecompose.ts, seasonal.periods=c(24,168), use.trend=TRUE, use.parallel=TRUE)
plot(TotalCooling.tbats)
Yang mengakibatkan:
Apa yang dijelaskan level
dan slope
komponen dari model ini? Bagaimana saya bisa mendapatkan trend
dan remainder
komponen yang mirip dengan kertas yang dirujuk oleh paket ini ( De Livera, Hyndman and Snyder (JASA, 2011) )?
r
time-series
forecasting
multiple-seasonalities
tbats
cmiller8
sumber
sumber
Jawaban:
Dalam komentar pengguna di halaman ini , seseorang bertanya tentang interpretasi level dan kemiringan, dan juga bagaimana mendapatkan tren dan residu yang
decompose()
disediakan oleh fungsi tersebut. Hyndman menyatakan bahwa tidak ada terjemahan langsungdecompose()
dantbats()
menggunakan model yang berbeda. Tetapi jika model TBATS Anda tidak memiliki transformasi Box-Cox, maka level TBATS kira-kira sama dengandecompose()
tren. Jika di sisi lain model tidak menerapkan transformasi Box-Cox, maka Anda harus membatalkan transformasi sebelum menafsirkan level sebagai (kira-kira) tren. Setidaknya begitulah cara saya menafsirkan responsnya.Adapun residu dan kemiringan, mereka tidak sama.
Anda dapat berpikir bahwa dekomposisi dasar memiliki komponen tren, komponen musiman, dan komponen residual.
Anda dapat memecah tren turun lebih jauh ke level dan kemiringan. Tingkat dasarnya adalah garis dasar untuk tren, dan kemiringan adalah perubahan per satuan waktu.
Alasan untuk memecah tren turun ke level dan kemiringan adalah bahwa beberapa model mendukung pertumbuhan teredam. Mungkin Anda mengamati pertumbuhan saat ini, tetapi Anda mengharapkan pertumbuhan berkurang secara bertahap dari waktu ke waktu, dan Anda ingin perkiraan Anda mencerminkan harapan itu. Model ini mendukung ini dengan memungkinkan Anda untuk meredam pertumbuhan dengan menerapkan faktor redaman pada lereng, membuatnya menyatu ke nol, yang berarti bahwa tren menyatu ke arah komponen levelnya.
Tidak ada jawaban langsung untuk pertanyaan tentang bagaimana level dan kemiringan bergabung untuk menghasilkan tren. Itu tergantung pada jenis model yang Anda gunakan. Sebagai pernyataan umum, model tren aditif menggabungkan mereka dalam mode aditif dan model tren multiplikasi menggabungkan mereka dalam cara multiplikasi. Varian model teredam menggabungkan level dengan kemiringan teredam. Peramalan Hyndman dengan buku Smoothing Eksponensial (harap tidak masalah untuk menyertakan tautan Amazon — saya tidak memiliki afiliasi apa pun dengan penulis) memberikan persamaan yang tepat berdasarkan model per-model pada Tabel 2.1.
sumber