Ajuste estacional de datos diarios

Question

[![ingrese la descripción de la imagen aquí][1]][1]diario de datos con un solo día de la semana de los valores. Así que mi semana es de 5 días en mi conjunto de datos. Quiero usar TBATS función en R. estoy sospechando semanal, bi-semanal, mensual y anual de la estacionalidad en los datos de mi después de periodograma de verificación. En este caso, ¿cómo debo definir el seasonal.periods en tbats a la función? Sería aceptar:

x <- msts(x, seasonal.periods=c(5, 10, 21.66, 260))

Estoy algo confundido porque mi año no es igual a 365.25 días. Así que puedo asumir mi año es = 365.25 * 5/7?

Lo siento si esta pregunta se la hicieron antes, pero no pude encontrar una respuesta. Gracias.

Answer 1

Es posible que desee revisar https://stats.stackexchange.com/search?q=user%3A3382+DIARIO+de DATOS para un análisis más amplio de cómo manejar los datos diarios que pueden ser afectados por días festivos , día del mes , el nivel de turnos , el tiempo de las tendencias , impulsos , la semana-de-la-mes , a largo fines de semana , et al . En mi humilde opinión TBATS es ampliamente insuficiente para lidiar con oportunidades como estas para el análisis correcto de los datos diarios.

Eliminar todos los no-factores estacionales por lo tanto el conjunto de los valores reflejan la "ajustado a las variaciones estacionales de la serie" como el conjunto de los valores reflejan sólo la componente estacional y no hay otro factor/característica.

En respuesta a OP comentario

Lo que ustedes se refieren como "estacionalidad" son simplemente omite variables exógenas y/o factores . Estos pueden ser identificados e incorporados como tales. Su estacionalidad no es endógenos, es decir, en la ventana trasera arima cosas, PERO exógenos. Si usted publica los datos, yo estaría encantado de ser más analíticas específicas. Usted puede ser un "arima persona, es decir, una ventana trasera predicter" pero hay una forma más estructurada/generalizada llamado enfoque de las Funciones de Transferencia que se refiere a veces como XARMAX modelo o modelos ARMAX que explícitamente incorporar efectos fijos como el día de la semana , la semana-de-la-mes , día del mes, mes del año, el nivel de turnos , el tiempo de las tendencias et al., Y también arima estructura..

Answer 2

Su objeto msts se ve bien, pero si está intentando realizar un ajuste estacional en lugar de prever, le recomiendo usar mstl() vez de tbats() .

 library(forecast)
library(ggplot2)
x <- msts(x, seasonal.periods=c(5, 5*2, 365.25*5/7/12, 365.25*5/7)
mstl(x) %>% autoplot()
mstl(x) %>% seasadj() %>% autoplot()