Uma boa maneira de encontrar periodicidade em qualquer série regular de dados é inspecionar seu espectro de poder depois de remover qualquer tendência geral. (Isso se dá bem à triagem automática quando a potência total é normalizada para um valor padrão, como a unidade.) A remoção da tendência preliminar (e a diferenciação opcional para remover a correlação em série) é essencial para evitar períodos de confusão com outros comportamentos. O espectro de potência é a discreta transformada de Fourier da função de autocovariância de uma versão adequadamente suavizada da série original. Se você pensa na série temporal como amostragem de uma forma de onda física, você pode calcular quanto da potência total das ondas é carregada dentro de cada freqüência. O espectro de potência (ou periodograma) traça a potência versus a freqüência. Os padrões cíclicos (isto é, repetitivos ou sazonais) aparecerão como picos grandes localizados em suas freqüências. Por exemplo, considere esta série de tempo (simulada) de resíduos de uma medida diária tomada por um ano (365 valores). Os valores flutuam em torno de 0 sem tendências evidentes, mostrando que todas as tendências importantes foram removidas. A flutuação parece aleatória: nenhuma periodicidade é aparente. Este é outro gráfico dos mesmos dados, desenhado para nos ajudar a ver possíveis padrões periódicos. Se você parece muito difícil, você pode discernir um padrão ruidoso, mas repetitivo, que ocorre 11 a 12 vezes. As sequências longish de valores acima-zero e abaixo de zero, pelo menos, sugerem alguma autocorrelação positiva, mostrando que esta série não é completamente aleatória. É o período, mostrado para freqüências até 91 (um quarto do comprimento total da série). Foi construído com uma janela Welch e normalizado para a área da unidade (para todo o periodograma, não apenas a parte mostrada aqui). O poder parece um ruído branco (pequenas flutuações aleatórias) mais dois pontos proeminentes. Eles são difíceis de perder, não são maiores. O maior ocorre em um período de 12 e o menor em um período de 52. Esse método detectou um ciclo mensal e um ciclo semanal nesses dados. Isso é realmente tudo aí. Para automatizar a detecção de ciclos (sazonalidade), basta escanear o periodograma (que é uma lista de valores) para máximos locais relativamente grandes. É hora de revelar como esses dados foram criados. Os valores são gerados a partir de uma soma de duas ondas de seno, uma com freqüência 12 (de amplitude quadrada 34) e outra com freqüência 52 (de amplitude quadrada 14). Estes são os pontos detectados pelos pontos no período. Sua soma é mostrada como a curva preta grossa. Iid O ruído normal da variância 2 foi então adicionado, como mostrado pelas barras cinza claro que se estendem da curva preta para os pontos vermelhos. Este ruído introduziu os movimentos de baixo nível na parte inferior do periodograma, o que de outra forma seria apenas um plano 0. Totalmente dois terços da variação total nos valores não é periódico e aleatório, o que é muito ruidoso: é por isso que é Tão difícil de distinguir a periodicidade apenas olhando os pontos. No entanto (em parte porque há tantos dados) encontrar as freqüências com o periodograma é fácil e o resultado é claro. Instruções e bons conselhos para periodogramas de computação aparecem no site das Receitas Numéricas: procure a seção sobre estimativa do espectro de potência usando a FFT. R possui código para estimativa de periodograma. Essas ilustrações foram criadas no Mathematica 8, o periodograma foi calculado com sua função de Fourier. Respondido no dia 28 de setembro às 16h38. O pressuposto da remoção de qualquer tendência geral do Aquiles Heel, pois pode haver muitas tendências temporais, muitas mudanças de nível, todas as quais foram excluídas no seu exemplo. A idéia de que as séries de entrada são de natureza determinística voa no Face da possível presença de estrutura ARIMA sazonal e regular. Os valores inusitados não tratados de uma única vez distorcerão qualquer esquema de identificação baseado em periodograma devido a um viés descendente para as estimativas de periodograma que não significam. Se os efeitos semanais e mensais mudaram em algum momento do passado, o procedimento baseado em periodograma falharia ndash IrishStat Sep 29 11 às 0:06 Irlandês Eu acho que seu comentário pode exagerar um pouco. É primordial procurar e tratar quotUnusual One-Time Valuesquot (também conhecido como outliers), por isso, isso apenas explica que enfatizar que alguns estimadores de séries temporais podem ser sensíveis a outliers. Diminutiva na natureza, representa erroneamente as ideias básicas: ninguém supõe que exista determinismo (como evidenciado pela enorme quantidade de ruído na simulação). A simulação incorpora um sinal periódico definido como um modelo - sempre aproximado na realidade - apenas para ilustrar a conexão entre periodograma e sazonalidade. (Continuação.) Ndash whuber 9830 29 de setembro 11 às 16:41 Sim, as mudanças na sazonalidade podem obscurecer o periodograma (e o acf, etc.), especialmente mudanças na freqüência (improvável) ou na fase (possível). As referências na minha publicação fornecem uma solução para lidar com isso: eles recomendam usar uma janela em movimento para a estimativa de periodograma. É uma arte para isso, e claramente há armadilhas, de modo que muitas análises de séries de tempo se beneficiarão de um tratamento especializado, como você defende. Mas a pergunta pergunta se existem outros métodos para detectar sazonalidade e, sem dúvida, o periodograma é uma opção estatisticamente poderosa, computacionalmente eficiente e facilmente interpretável. Ndash whuber 9830 29 de setembro 11 às 16:46 No meu mundo, usar sinescosines são efeitos quantitativos muito semelhantes aos indicadores do mês do ano. Ajustar qualquer modelo pré-especificado restringe os valores ajustados a um padrão especificado pelo usuário, muitas vezes sub-padrão. Os dados devem ser citados como ajudando o software de informática avançado a analisar efetivamente entre entradas fixas e estocásticas n. b. Eu me refiro a ARIMA atrasa estruturas como quotdrivers estocástico ou adaptativo à medida que os valores ajustados se ajustam às mudanças na história da série. Na minha opinião, a utilização do período de quotoversellsquot simples modelagem estatística ndash IrishStat 29 de setembro 11 às 17:44 whuber Repetir o mesmo pode não ser útil. No entanto, também pode ser bom corrigir o parágrafo abaixo do periodograma para dizer que as espinhas estão localizadas em uma quantidade de frequência de 12 e 52 vezes por ano, e não quotperiod ofquot. Reparar a trama também para dizer quotfrequencyquot em vez de quotperiodquot pode ser bom também se você acha que isso não é muito irritante. Ndash Celelibi 11 de outubro 16 às 15:29 A sazonalidade pode e muitas vezes muda ao longo do tempo, portanto, as medidas de resumo podem ser bastante inadequadas para detectar a estrutura. É preciso testar a transitoriedade nos coeficientes de ARIMA e, muitas vezes, mudar os dummies sazonais. Por exemplo, em um horizonte de 10 anos, pode ter ocorrido o efeito de junho nos primeiros k anos, mas nos últimos 10 k anos, há evidências de um efeito em junho. Um simples efeito composto de junho pode não ser significante, pois o efeito não foi constante ao longo do tempo. De forma semelhante, um componente ARIMA sazonal também pode ter mudado. Deve-se ter cuidado para incluir mudanças no nível local e tendências do tempo local, garantindo que a variância dos erros permaneceu constante ao longo do tempo. Não se deve avaliar transformações como quadrados mínimos GLSweighted ou transformações de energia como raízes logsquare, etc. nos dados originais, mas nos erros de um modelo tentativo. Os pressupostos gaussianos não têm nada a ver com os dados observados, mas todos com os erros do modelo. Isto é devido aos fundamentos dos testes estatísticos que utilizam a proporção de uma variável do qui-quadrado não central para uma variável do qui-quadrado central. Se você quisesse publicar uma série de exemplos do seu mundo, ficaria feliz em fornecer a você e à lista uma análise detalhada que levaria à detecção da estrutura sazonal. Respondeu 27 de setembro às 18h36 A resposta de Charlies é boa, e é aí que o Id começa. Se você não quiser usar gráficos ACF, você poderia criar variáveis dummy k-1 para os períodos de tempo K presentes. Então você pode ver se as variáveis dummy são significativas em uma regressão com as variáveis dummy (e provavelmente um termo de tendência). Se o seu dado for trimestral: o Q2 do manequim é 1 se este for o segundo trimestre, senão 0 qummy Q3 é 1 se este for o terceiro trimestre, caso contrário, o Q4 do manequim é 1 se este for o quarto trimestre, senão 0 Nota, o quarto trimestre é o Caso base (todos os 3 manequins zero) Você também pode verificar a decomposição de séries temporais no Minitab - muitas vezes chamado de decomposição clássica. No final, você pode querer usar algo mais moderno, mas este é um lugar simples para começar. Respondeu 27 de setembro 11 às 18:53 Eu sou um pouco novo para R, mas minha compreensão da função ACF é que, se a linha vertical vai acima da linha tracejada superior ou abaixo da linha tracejada inferior, há alguma autoregressão (incluindo sazonalidade) . Tente criar um vetor de sine respondeu Sep 27 11 às 15:47 Ajustando sinescosinas etc pode ser útil para algumas séries físicas elétricas, mas você deve estar ciente de MSB. Especificação do modelo Bias. Ndash IrishStat Sep 28 11 às 14:31 Autoregression não implica sazonalidade. Ndash Jens 22 de novembro às 12:32 Sua resposta 2017 Stack Exchange, IncPara perguntas rápidas, envie um email para dataprinceton. edu. Não há appts. Necessário durante as horas de caminhada. Nota: o laboratório DSS está aberto enquanto o Firestone estiver aberto, sem compromissos necessários para usar os computadores do laboratório para sua própria análise. Dados da série temporal nos dados da série Stata e tsset Para usar as funções e análises da série temporária Statas, você deve primeiro certificar-se de que seus dados são, de fato, séries temporais. Primeiro, você deve ter uma variável de data que esteja no formato de data Stata. Em segundo lugar, você deve certificar-se de que seus dados são classificados por esta variável de data. Se você tiver dados de painel, seus dados devem ser classificados pela variável de data dentro da variável que identifica o painel. Finalmente, você deve usar o comando tsset para dizer à Stata que seus dados são séries temporais: o primeiro exemplo diz a Stata que você possui dados simples da série temporal e o segundo diz ao Stata que você possui dados do painel. Stata Date Format Stata armazena as datas como o número de dias decorridos desde 01 de janeiro de 1960. Existem diferentes maneiras de criar datas Stata decorrentes que dependem de como as datas são representadas em seus dados. Se o seu conjunto de dados original já contém uma única variável de data, use a função date () ou um dos outros comandos da data da string. Se você tiver variáveis separadas armazenando diferentes partes da data (mês, dia e ano e ano e trimestre, etc.), você precisará usar as funções da variável de data parcial. Funções de data para uma única variável de data de string Às vezes, seus dados terão as datas em formato de string. (Uma variável de string é simplesmente uma variável que contém qualquer coisa que não seja apenas números.) A Stata fornece uma maneira de convertê-las em datas de séries temporais. A primeira coisa que você precisa saber é que a string deve ser facilmente separada em seus componentes. Em outras palavras, cordas como 01feb1990 1 de fevereiro de 1990 020190 são aceitáveis, mas 020190 não é. Por exemplo, digamos que você possui um sdate de variável de string com valores como 01feb1990 e você precisa convertê-lo para uma data da série de tempo diária: Observe que nesta função, como com as outras funções para converter strings em datas de séries temporais, A parte DMY indica a ordem do dia, mês e ano na variável. Se os valores fossem codificados como 1 de fevereiro de 1990, teríamos usado MDY em vez disso. E se a data original tiver apenas dois dígitos para o ano, então, usaríamos: sempre que você tiver dois anos de dígito, basta colocar o século antes do Y. Se você tiver os dois últimos dois anos, como 1298 e 1200, use: Onde 2020 é o maior ano que você tem em seu conjunto de dados. Aqui estão as outras funções: semanal (stringvar, wy) mensal (stringvar, my) trimestral (stringvar, qy) meio ano (stringvar, hy) anual (stringvar, y) Nota: Stata 10 usa letras maiúsculas como DMY enquanto versão anterior de Stata usa minúsculas, dmy. Funções de data para variáveis de data parcial Muitas vezes, você terá variáveis separadas para os vários componentes da data em que você precisa juntá-los antes de designá-los como datas de série temporal adequadas. A Stata fornece uma maneira fácil de fazer isso com variáveis numéricas. Se você tiver variáveis separadas por mês, dia e ano, use a função mdy () para criar uma variável de data decorrida. Depois de criar uma variável de data decorrida, você provavelmente irá formatá-la, conforme descrito abaixo. Use a função mdy () para criar uma variável de data Stata decorrida quando seus dados originais contêm variáveis separadas por mês, dia e ano. As variáveis mês, dia e ano devem ser numéricas. Por exemplo, suponha que você esteja trabalhando com esses dados: Convertendo uma variável de data armazenada como um único número Se você tiver uma variável de data onde a data é armazenada como um único número do formulário yyyymmdd (por exemplo, 20041231 para 31 de dezembro de 2004) O seguinte conjunto de funções irá convertê-lo em uma data decorrida Stata. Gen year int (date10000) gen month int ((data-ano10000) 100) gen day int ((data-ano10000-month100)) gen mydate mdy (mês, dia, ano) formato mydate d Formatos de data da série de tempo Use o comando de formato Para exibir datas Stata decorridas como datas de calendário. No exemplo dado acima, a variável de data decorrida, mydate, tem os seguintes valores, que representam o número de dias antes ou depois de 1 de janeiro de 1960. Para obter mais informações, consulte o Guia do Usuário do Stata, capítulo 27. Especificando datas Muitas vezes, precisamos Construe uma análise específica apenas em observações que caem em uma determinada data. Para fazer isso, precisamos usar algo chamado de literal de data. Um literal de data é simplesmente uma maneira de inserir uma data em palavras e ter Stata automaticamente convertê-la em uma data decorrida. Tal como acontece com o literal d () para especificar uma data regular, existem os literais w (), m (), q (), h () e y () para inserção semanal, mensal, trimestral, semestral e Datas anuais, respectivamente. Aqui estão alguns exemplos: se você quiser especificar um intervalo de datas, você pode usar as funções tin () e twithin (): a diferença entre tin () e twithin () é que estaminha () inclui as datas de início e fim, Enquanto twithin () os exclui. Digite sempre a data de início e escreva-os como faria para qualquer das funções d (), w (), etc. Listas de variáveis de séries temporais Muitas vezes, em análises de séries temporais, precisamos atrasar ou liderar os valores de uma variável de uma observação para a próxima. Se temos muitas variáveis, isso pode ser complicado, especialmente se precisarmos atrasar uma variável mais de uma vez. Em Stata, podemos especificar quais variáveis devem ser atrasadas e quantas vezes sem ter que criar novas variáveis, economizando assim espaço de disco e memória. Você deve notar que o comando tsset deve ter sido emitido antes de qualquer um dos truques nesta seção funcionar. Além disso, se você definiu seus dados como dados de painel, a Stata reiniciará automaticamente os cálculos à medida que ele chega ao início de um painel para que não precise se preocupar com os valores de um painel sendo transferido para o próximo. L. varname e F. varname Se você precisa atrasar ou liderar uma variável para uma análise, você pode fazê-lo usando L. varname (to lag) e F. varname (para liderar). Ambos funcionam da mesma maneira, tão bem, apenas mostre alguns exemplos com L. varname. Digamos que você deseja regredir o lucro deste ano na renda dos últimos anos: conseguiria isso. O L. diz a Stata que atrasa a renda por um período de tempo. Se você quisesse atrasar a renda em mais de um período de tempo, você simplesmente mudaria o L. para algo como L2. Ou L3. Para atrasá-lo em 2 e 3 períodos, respectivamente. Os dois comandos a seguir produzirão os mesmos resultados: Outro atalho útil é D. varname, que leva a diferença de renda no tempo 1 e renda no tempo 2. Por exemplo, digamos que uma pessoa ganhou 20 ontem e 30 hoje.
No comments:
Post a Comment