我希望分解具有严重季节性成分的每日销售数据（使 365 天的季节性对于 ARIMA 过程来说太长了）。但是，时间序列的某些部分由其他因素解释，包括影响数据的常规营销事件。我想以stl类似于在 ARIMA 中包含外生变量的方式使用 R 的函数，但我没有看到任何地方可以将外生变量放入其中。相反，我在单独的回归中将外生变量应用于“剩余”部分，但担心stl由于上述常规营销事件，所获取的季节性会出现错误。
有关如何解决此问题的任何建议？
问问题
2163 次
2 回答
2
STL 有点受限，因为它一次只能处理一种季节性，并且您可能有两个季节性（每周和每年）。此外，它不允许外生变量。
一种可能的方法是使用具有 ARMA 误差的回归模型，其中数据的季节性周期设置为 7（对于每周季节性）。您可以使用傅立叶项 ( http://robjhyndman.com/hyndsight/longseasonality/ ) 作为回归变量来处理年度季节性。营销事件可以使用参数中包含的虚拟变量来处理xreg。您甚至可以使用auto.arima从预测包中选择错误的顺序，包括您是否需要考虑任何每周季节性。只需使用傅里叶项和虚拟变量设置 xreg，然后调用
auto.arima(y, xreg=xreg)
使用傅立叶级数处理季节性假设它的形状不变。但是，除非您拥有多年的数据，否则这并不是真正的问题，因为它不太可能在不到 20 年的时间内发生太大变化，并且 ARIMA 误差无论如何都会针对微小的变化进行调整。
如果数据中有显着趋势，您还应该在模型的回归部分中考虑到这一点。添加一些 B 样条项应该可以处理它。
于 2013-06-04T22:21:55.670 回答
1
我可以推荐Hyndman的cran上的预测包。在那里，bats 或 tbats 模型应该允许复杂的季节性和代表营销事件的虚拟变量。
于 2013-06-03T10:32:43.110 回答