Tratamiento de datos estacionales triples

Question

Tengo un conjunto de datos de precios spot de la electricidad, que contiene tres tipos de estacionalidad: uno dentro de las 24 horas, una dentro de una semana y dentro de un año.

Quiero usar un paquete de R (tsDyn) que no puede hacer frente a la estacionalidad, por lo que en primer lugar me gustaría quitar los tres estacionalidades, luego adaptar un modelo para la deseasonalized de datos, realizar un pronóstico y, a continuación, agregue las estacionalidades, si es posible, con el fin de transformar mis predicciones en forma razonable.

Es este enfoque sensato y posible? Y si sí, ¿cómo podría yo lograr este triple deseasonalization y, a continuación, deshacer dentro de R? En el caso de un simple retraso de diferenciación acabo de deshacer la diferenciación estacional con 'cumsum()', pero es algo como esto aplica para mi conjunto de datos?

Answer 1

Usted encontrará que es más fácil de usar el tbats() función en el forecast paquete. Estimará la estacionalidad y producirá las previsiones.

Answer 2

Posible sí, sensible, no a partir de la mayoría de las series de tiempo de las perspectivas.

El principal problema con su enfoque es un evidente supuesto de que la eliminación de la estacionalidad es, o debería ser, un asunto trivial. Pero en la práctica la mayoría de los procedimientos modernos requieren de algún tipo de estimación de los componentes estacionales basadas en algunos de elección(s) sobre cómo el modelo, sobre todo porque los componentes estacionales por lo general varían de año a año. Por el contrario, si sus componentes estacionales son esencialmente determinista, esto sería trivial.

Semanas son especialmente torpe, ya que no anidan en años.

Si usted está interesado principalmente en los métodos que hacen caso omiso de la estacionalidad, los conjuntos de datos con mayor estacionalidad no parece pertinente. ¿Por qué hacer el problema más difícil de lo que ya es?