stata时间序列数据处理,时间序列数据怎么用stata做回归分析
原文链接:http://tecdat.cn/p=22632原文来源:拓端数据部落微信官方账号
本文介绍了如何对与季节和趋势成分相关的时间序列的中点进行建模。我们将研究称为STL的算法。STL是“使用局部加权回归的季节性趋势分解”的缩写,即如何将其应用于异常检测。
基本思想是,如果你有一个规则的时间序列,你可以使用STL算法来执行序列,分离出规则的模式。剩下的就是“不规则”,异常检测相当于确定不规则性是否足够大。
例如:1949-1960年的航空乘客,让我们对显示1949-1960年期间每月航空乘客数量的数据集运行该算法。首先,这是一个未经修改的时间序列。
这是阴谋(y)
这里有明显的规律模式,但这个序列没有明显的下降,无法在异常检测中显示出来。所以我们要建立一个。
y[40]=150
落差大到足以被异常探测发现,但还没大到只看图片就能发现。用STL检查一下。
是,打印(适合)
首先,我不是在Y上运行STL,而是在log(y)上运行。
该算法将序列分解为三个部分:季节性、趋势和剩余部分。季节性成分、总体上升/下降趋势以及作为残差趋势成分的残差成分。季节性趋势构成序列的“正常”部分,这是我们在异常检测过程中拒绝的部分。
其余部分基本上是原始序列的规范化版本,因此这是我们监视异常的部分。剩余序列明显下降。1952年初设定的非正常减持很可能被计入。
此外,还可以调整每期的观测次数,负责分离季节和趋势分量的平滑方法,以及模型的“稳健性”,即对异常值的不敏感。这些参数很多都需要知道基本算法的工作原理。
下面是显示实际数据和阈值的代码。
合并数据(df,ba,by。x= x) ggplot) data) geom) AES) x=x,ymin=ymin,ymax=ymax))
同样,如果您够聪明,您可能会注意到基于exp()的逆变换。我们现在来讨论这个问题。
为什么要执行对数和逆变换?虽然不是所有的分解都涉及对数变换,但是这种分解是有联系的。原因和分解的性质有关。STL的分解总是相加的。
虽然y=s t r,但是乘法分解更适合某个时间序列。
Y=str出现在销售数据中,季节性成分的振幅随趋势增加。这其实是乘法序列的符号,航空客运序列也体现了这种模式。为了解决这个问题,可以对原始值进行对数变换,然后进入加法区,在这里可以进行STL分析。完成后,执行逆变换以恢复原始序列。
季节性情况如何?有些时间序列有不止一个季节性。例如,在酒店预订的时间序列中有三个季节:每天、每周和每年。
有些程序可以生成带有多个季节成分的分解,但是STL不能。频率最高的季节性被认为是季节性成分,频率低的季节性被趋势吸收。
最流行的观点
用lstm和pytorch在python中预测时间序列
2.2.python中使用长短期记忆模型lstm来预测和分析时间序列。
3.基于R语言的时间序列(arima,指数平滑)分析
4.r语言多元copula-garch模型时间序列预测
5.r连接函数和金融时间序列案例
6.用R语言随机波动模型sv处理时间序列中的随机波动。
7.r语言时间序列tar门限自回归模型
8.r语言k形时间序列聚类方法股票价格时间序列聚类
9.python3使用arima模型预测时间序列