Soy bastante nuevo en R. He intentado leer sobre el análisis de series temporales y ya he terminado
- Shumway y Stoffer's Análisis de series temporales y sus aplicaciones 3ª Edición ,
- Hyndman es excelente Previsión: principios y práctica
- Avril Coghlan's Uso de R para el análisis de series temporales
- A. Ian McLeod y otros Análisis de series temporales con R
- El Dr. Marcel Dettling Análisis de Series Temporales Aplicadas
Edición: No estoy seguro de cómo manejar esto, pero he encontrado un recurso útil fuera de Cross Validated. Quería incluirlo aquí en caso de que alguien se tropiece con esta pregunta.
Tengo una serie temporal univariante del número de artículos consumidos (datos de recuento) medidos diariamente durante 7 años. Se aplicó una intervención a la población del estudio aproximadamente a la mitad de la serie temporal. No se espera que esta intervención produzca un efecto inmediato y el momento en el que se produce el efecto es esencialmente desconocido.
Usando la fórmula de Hyndman forecast
he ajustado un modelo ARIMA a los datos anteriores a la intervención utilizando auto.arima()
. Pero no estoy seguro de cómo utilizar este ajuste para responder si ha habido un cambio de tendencia estadísticamente significativo y cuantificar la cantidad.
# for simplification I will aggregate to monthly counts
# I can later generalize any teachings the community supplies
count <- c(2464, 2683, 2426, 2258, 1950, 1548, 1108, 991, 1616, 1809, 1688, 2168, 2226, 2379, 2211, 1925, 1998, 1740, 1305, 924, 1487, 1792, 1485, 1701, 1962, 2896, 2862, 2051, 1776, 1358, 1110, 939, 1446, 1550, 1809, 2370, 2401, 2641, 2301, 1902, 2056, 1798, 1198, 994, 1507, 1604, 1761, 2080, 2069, 2279, 2290, 1758, 1850, 1598, 1032, 916, 1428, 1708, 2067, 2626, 2194, 2046, 1905, 1712, 1672, 1473, 1052, 874, 1358, 1694, 1875, 2220, 2141, 2129, 1920, 1595, 1445, 1308, 1039, 828, 1724, 2045, 1715, 1840)
# for explanatory purposes
# month <- rep(month.name, 7)
# year <- 1999:2005
ts <- ts(count, start(1999, 1))
train_month <- window(ts, start=c(1999,1), end = c(2001,1))
require(forecast)
arima_train <- auto.arima(train_month)
fit_month <- Arima(train_month, order = c(2,0,0), seasonal = c(1,1,0), lambda = 0)
plot(forecast(fit_month, 36)); lines(ts, col="red")
¿Existen recursos que traten específicamente del análisis de series temporales interrumpidas en R? He encontrado este tratando con ITS en SPSS pero no he podido traducirlo a R.
0 votos
¿Quieres hacer inferencia sobre si la intervención tuvo un efecto estadísticamente significativo, o quiere modelar la intervención para obtener mejores previsiones ? ¿Y podría facilitar los datos?
0 votos
@StephanKolassa ¡Claro que sí! Mi objetivo es hacer inferencia. Voy a proporcionar datos ficticios en un Editar para ilustrar mejor mi punto.
0 votos
@StephanKolassa Datos facilitados en la medida de mis posibilidades.
0 votos
Las investigaciones anteriores sugieren que el efecto de la intervención debe estar en la escala de +/- 5% de cambio.
0 votos
@StephanKolassa Proporcionó datos reales utilizables