私は、非常に季節的な要素で毎日の売上データを分解しようとしています (ARIMA プロセスには長すぎる 365 日の季節性を作成します)。ただし、データに影響を与える定期的なマーケティング イベントなど、他の要因によって説明される時系列の特定の部分があります。ARIMA に外生変数を含めるのと同様の方法でR の関数を使用したいと考えてstlいますが、外生変数をミックスに入れる場所がありませんでした。代わりに、別の回帰で外生変数を「残り」の部分に適用しましたが、上記の定期的なマーケティング イベントのために、 によって取り上げられた季節性stlが誤っているのではないかと心配しています。
この問題を回避する方法について何か提案はありますか?
STL は、一度に 1 種類の季節性しか処理しないため、少し制限があり、おそらく 2 つの季節性 (週単位と年単位) があります。また、外生変数を許可しません。
考えられるアプローチの 1 つは、ARMA エラーを含む回帰モデルを使用することです。ここでは、データの季節期間が 7 に設定されています (毎週の季節性)。フーリエ項 ( http://robjhyndman.com/hyndsight/longseasonality/ ) を回帰変数として使用して、年間の季節性を処理できます。xregマーケティング イベントは、引数に含まれるダミー変数でも処理できます。予測パッケージから使用auto.arimaして、毎週の季節性を考慮する必要があるかどうかなど、エラーの順序を選択することもできます. フーリエ項とダミー変数を使用して xreg を設定し、
auto.arima(y, xreg=xreg)
フーリエ級数を用いた季節性の扱いは、形が不変であることを前提としています。ただし、何年にもわたるデータがない限り、これは実際には問題ではありません。20 年以内に形状が大幅に変化した可能性は低く、ARIMA の誤差はいずれの場合も小さな変動に合わせて調整されます。
データに顕著な傾向がある場合は、モデルの回帰部分でもそれを考慮する必要があります。いくつかの B スプライン項を追加すると、問題なく処理されるはずです。