Serie temporal estacionariaTengo una serie de tiempo (Occ (% de ocupación) frente a la marca de tiempo cfr. Modelo de serie de tiempo en el anexo) donde la función de autocorrelación muestra una disminución lenta que indica no estacionariedad, sin embargo, la prueba ADF es negativa, lo que indica una serie de tiempo Occ estacionaria. ¿Qué criterio es el correcto? Obtengo resultados extremadamente buenos con los modelos ARMA y ARIMA (diferenciados). ¿Puedo evaluar un modelo ARMA no diferenciado (4,2) como confiable teniendo en cuenta la función de autocorrelación de decaimiento lento? ¿O es necesaria la diferenciación? Observación: solo después de que dos operaciones de diferenciación ACF y PCF se vuelvan similares indicando estacionariedad. Un saludo franco
Re: Serie temporal estacionariaHola, muchas gracias por tu aporte. Para tu información, estoy usando la versión JMP 13.1.
De hecho, los patrones diarios son diferentes, ¿quiere decir que si los patrones fueran característicos (como una huella dactilar) para cada día, entonces uno puede, después de la diferenciación, crear un modelo predictivo de series temporales para cada uno? Desafortunadamente, los patrones diarios pueden verse alterados, por ejemplo, por unas vacaciones, así que creo que esto no siempre funcionará.
Hice varias simulaciones con un conjunto de prueba (todos los datos nuevos) y las predicciones de mi modelo ARMA (4,2) simple funcionan bien durante un máximo de 45 minutos, después de eso comienzan a aparecer fuertes desviaciones aunque se mantienen las tendencias.
Tengo un problema con la fórmula de predicción guardada: no está guardada en la última columna de mi hoja de datos original (como se indica en el tutorial jmp), sino en una nueva hoja de datos "sin título". ¿También encuentras esto? En cuanto a la fórmula de predicción en sí, ¿cuál es el significado de () - (número) ¿Qué significa ese número? ¿Puede ser diferente del número en la parte superior de la ecuación? Saludos, franco
Re: Serie temporal estacionariaLamento no tener tiempo para proponer una solución detallada.Pero espero que esto proporcione algunas pistas:
- El patrón diario del domingo es bastante diferente al de los otros días de la semana, y el viernes y el sábado tienen un uso mucho mayor.
- Intentaría crear un ciclo por día y usar un modelo de desviación (ciclos eliminados).
- Probablemente usaría un suavizado ajustable, he tenido buena suerte con los métodos Trigg & Leech que ajustan la lambda cuando las desviaciones son grandes, para que pueda ponerse al día.
Por supuesto, sus RSquares serán más grandes que una predicción real, ya que está utilizando todos los datos. Es posible que desee adoptar el enfoque similar a los gráficos de control.Toma un período inicial para crear el patrón de referencia, el modelo, luego usa ese modelo en el período restante y el verdadero RSquare se basará en los residuos de la predicción real para los datos no incluidos en el modelo.
Finalmente, pondría un monitor, un gráfico de control, para marcar cuando el modelo ya no predice muy bien, especialmente si necesita una respuesta rápida al uso creciente.
Debe publicar qué versión de JMP o JMP PRO y qué sistema operativo. Hay algunas plataformas y métodos nuevos para este tipo de "proceso" que podrían ser más útiles que las series temporales.
Re: Serie temporal estacionariaHola, gracias por tu comentario y esfuerzo para aclarar la evolución promedio, el patrón inusual de ocupación de habitaciones es Halloween.
El objetivo de nuestro estudio es predecir en los próximos 15 a 60 minutos el nivel de ocupación de la habitación, por lo que debemos permanecer dentro de los intervalos de retraso de 15 minutos e intentar construir un modelo de serie de tiempo confiable. ¿Menciona correctamente que hay fuertes ciclos diarios, por lo que supongo que la diferenciación estacional es necesaria? Sin embargo, al hacerlo, incluso varias veces la estacionalidad no desaparece, lo que es realmente confuso. ¡Aún más sorprendente es que todos los modelos que verifiqué, con diferencias o no, producen R²> 99%! Demasiado bueno para ser verdad, ¿hay algo fundamentalmente erróneo en este análisis?
Re: Serie temporal estacionariahttps://en.wikipedia.org/wiki/Augmented_Dickey%E2%80%93Fuller_test Establece que " La estadística Dickey-Fuller aumentada (ADF), utilizada en la prueba, es un número negativo. Cuanto más negativo es, más fuerte es el rechazo de la hipótesis de que hay una raíz unitaria..." El ADF de la media cero no es significativo, pero es probable que se deba a los ciclos diarios de sus datos.
Agregué columnas para Fecha, Día de la semana y Hora del día. A continuación se muestra un gráfico de variabilidad de OCC por día de la semana y hora del día.La línea negra es el patrón medio para cada día de la semana.La nota del 01/11/2018 tenía un patrón inusual (día después de Halloween).
Re: Serie temporal estacionariaAdemás de mi pregunta anterior, tengo un problema con la ubicación de la fórmula de predicción guardada; Espero que se guarde en la última columna de mi hoja de datos como es el caso de otros modelos. Aquí, en el análisis de series de tiempo, ¿el modelo se guarda en una nueva hoja de datos "Sin título"? ¿Se puede ajustar esto?
