Un ejemplo
Si usted está contento con R es posible que desee buscar en la Seatbelts conjunto de datos que se construye en la base de la R de distribución. Suena muy similar. Como el problema, en este se compone de varias series de tiempo de la cuenta (en el asiento delantero víctimas) y una intervención/tratamiento (imposición de un cinturón de seguridad de la ley), que afecta sólo a uno de ellos (el pasajero del asiento delantero de la secuencia) y un montón de covariables (las estaciones, los precios de la gasolina, etc). En la página de ayuda que usted puede ver lo que un pequeño análisis de la vería. Te darás cuenta de varias cosas:
El uso de los datos de recuento, es a menudo útil registrar el resultado. Que permite trabajar con aumentos proporcionales en lugar de los absolutos, que es generalmente lo que quiere. También permite falso un registro lineal de enlace sin la molestia de ajuste no lineal de los modelos.
El análisis visual básico consiste en la construcción de un modelo, un modelo ARIMA en el ejemplo, de la serie antes de la intervención y, a continuación, proyectándola hacia adelante, y compararlo con lo que realmente sucedió en el tratamiento de la parcela. El código para hacerlo es la línea con la ts.plot
Modelado de series temporales
Una simple lineal enfoque de modelado, tal como se puede ver en la última línea del ejemplo, se agrega una variable de intervención para indicar el período, un componente estacional, y un proceso autorregresivo plazo lidiar con la autocorrelación. Cuando usted es el contenido que la no-intervención de las variables están bien establecidos, en particular, que han capturado a cualquiera de los componentes estacionales, de navidad o de fin de semana de efectos, o lo que es en la película de ventas de dominio que sistemáticamente unidad de variación en las ventas, sin estar vinculados a la intervención que le interesa, entonces usted puede desear para interpretar su intervención variable como un efecto causal.
En que el simple análisis de la intervención provoca un cambio en el nivel medio. Sin embargo, puede tener distintos efectos que desea modelo de manera diferente.
¿Qué otra cosa te gustaría hacer depende de la clase del modelo. Para la modelización ARIMA las cuestiones básicas son "estacionariedad" y AR, MA, de temporada y de "orden". También es posible tomar un espacio de estado enfoque. Cualquier buena Serie temporal de texto de discutir estas posibilidades. Me gusta bastante Shumway y Stoffer (2006) y Commandeur (2007) , pero hay muchas buenas opciones, y un montón de material de la banda.
Análisis de series de tiempo puede llegar a ser muy complejo bastante rápido, por lo que tomar una gráfica exploratorio de primer enfoque es muy sensible, así que usted sabe cuánto tiempo vale la pena invertir en averiguar estos más complejo de los modelos paramétricos.
La regresión de los enfoques
Una alternativa, no de tiempo de la serie enfoque es tratar el problema como una discontinuidad en la regresión de diseño. Hay que comparar el período cualquiera de los lados de la intervención para ver el efecto causal de la intervención. Morgan y Winship (2007) tiene una discusión de los pros y los contras de este enfoque.
