Weinberatung Boldt

Modele additif multiplicatif

Modele additif multiplicatif

Allgemein
Posted on

(Mon instinct est d`aller avec le modèle additif sur la base que l`ampleur des fluctuations saisonnières (ou la variation autour de la tendance-cycle) ne semble pas varier avec le niveau de la série temporelle. J`ai du mal à décider si un modèle additif doit être utilisé pour prévoir les données, ou si je dois utiliser un modèle multiplicatif. Les transformations telles que les logarithmes ou les modèles multiplicatifs doivent être justifiées et suggérées par les données ou par l`utilisateur possédant certaines connaissances du domaine. Ce n`était pas le cas en l`espèce. Voir ici pour quand les transformations de puissance sont nécessaires quand (et pourquoi) devriez-vous prendre le log d`une distribution (des nombres)?. Il est à noter que AUTOBOX a essentiellement convergé sur le modèle de saisonnalité additive de HW avec TREND et 4 anomalies et un coefficient AR (1) très significatif. Notez que dans l`exemple de saisonnalité multiplicatif, la saison devient «plus large». De toute évidence, si le niveau diminuait, l`amplitude saisonnière du cas multiplicatif diminuerait également. Pour choisir le modèle approprié pour produire nos prévisions, nous devons connaître le type de saisonnalité que nous traitons. Comment comparez-vous l`identification statistique? Sélectionnez additif ou multiplicatif dans la démonstration ci-dessous et soumettez votre choix pour voir si vous pouvez faire mieux que les statistiques et la précision moyenne des participants jusqu`à présent.

J`ai attaché une série de temps de mes données-qui des deux modèles dois-je utiliser et pourquoi? Il existe deux variantes de cette méthode qui diffèrent par la nature de la composante saisonnière. La méthode additive est préférée lorsque les variations saisonnières sont à peu près constantes à travers la série, alors que la méthode multiplicatif est préférée lorsque les variations saisonnières changent proportionnellement au niveau de la série. Avec la méthode additive, la composante saisonnière est exprimée en termes absolus dans l`échelle de la série observée, et dans l`équation de niveau, la série est ajustée de façon saisonnière en soustrayant la composante saisonnière. Au cours de chaque année, la composante saisonnière s`ajoutera à environ zéro. Avec la méthode multiplicatif, la composante saisonnière est exprimée en termes relatifs (pourcentages), et la série est ajustée de façon saisonnière en divisant par la composante saisonnière. Au cours de chaque année, la composante saisonnière totalera jusqu`à environ (m ). C`est un test inédit sur lequel j`ai travaillé avec un de mes collègues, Carlos Diaz. Parfois, il faut un peu de temps pour obtenir une publication académique! Vous pouvez trouver un prototype de celui-ci dans TStools pour R. La fonction est appelée mseastest. J`ai un ensemble de données que je suis en train d`analyser. Les applications des deux méthodes (avec une saisonnalité additive et multiplicatif) sont présentées respectivement dans les tableaux 7,3 et 7,4.

Étant donné que les deux méthodes ont exactement le même nombre de paramètres à estimer, nous pouvons comparer la formation RMSE des deux modèles. Dans ce cas, la méthode avec une saisonnalité multiplicatif correspond le mieux aux données. Cela devait être attendu, comme le diagramme de temps montre que la variation saisonnière dans les données augmente à mesure que le niveau de la série augmente. Cela se reflète également dans les deux séries de prévisions; les prévisions générées par la méthode avec la saisonnalité multiplicatif s`affichent plus grandes et augmentent la variation saisonnière au fur et à mesure que le niveau des prévisions augmente par rapport aux prévisions générées par la méthode avec une saisonnalité additive. Pour pouvoir déterminer si la série temporelle est additive ou multiplicative, la série temporelle doit être divisée en ses composants. Figure 7,7: éléments estimés pour la méthode Holt-Winters avec des composants saisonniers additifs et multiplicatifs. Nous allons vérifier si la corrélation entre les points de données est toujours encodée dans les valeurs résiduelles. Il s`agit du facteur d`auto-corrélation (ACF) et il a une fonction pour le calculer.