Hallo JMP-Com,
Ich habe diese Frage von einem Kunden erhalten, der für seine Anwendung entweder ARIMA-Modelle oder Zeitreihenprognosen (TSF) verwenden wollte.
Spalte 1 ist ein Zeitstempel
Spalte 2 – Spalte N enthält die Datenpunkte
Die Frage: Kann die ARIMA-Plattform oder TSF Beiträge von Lag-Punkten berücksichtigen, die in einer anderen Zeitskala liegen?
Zum Beispiel; Angenommen, ich verfüge über monatliche Verkaufsdaten und weiß, dass sich die Verkäufe im April auf die Verkäufe im Juni auswirken. Daher weiß ich, dass für mein Modell eine Verzögerung von 2 Monaten wichtig ist. Aber gibt es eine wöchentliche/tägliche/stündliche Verzögerung, die sich auch auf den heutigen Tag auswirken kann? Ich weiß also, dass eine Verzögerung von 2 Monaten wichtig ist, aber kann ich sehen, ob eine Verzögerung von vor 3 Wochen auch wichtig ist?
Monate und Wochen liegen auf unterschiedlichen Zeitskalen und der Kunde erhält Daten in Minuten. Sie möchten jedoch wissen, welche Zeitskala für ihr Zeitreihenmodell am wichtigsten wäre: jährlich, vierteljährlich, monatlich, wöchentlich. UND ob es für ein Zeitreihenmodell möglich ist, Verzögerungspunkte aus verschiedenen Zeitskalen zu verwenden.
Danke schön,
lieb
Bei ARIMA und Exponential Smoothing (TSF) gibt es nur eine Zeitskala.
Ich kann mir mehrere Möglichkeiten vorstellen, mehrere Maßstäbe unterzubringen:
- Arbeiten Sie mit der feineren Zeitskala. Wenn Sie monatliche und wöchentliche Informationen haben, arbeiten Sie mit den wöchentlichen Informationen. Monatliche Informationen werden aus wöchentlichen Informationen aggregiert oder wöchentliche Informationen werden anhand der monatlichen Informationen verteilt. Wie man aggregiert, wie man verteilt, das sind die nächsten Fragen. Außerdem, welche „Verzögerungen“ bei Verwendung der feineren Zeitskala auftreten, z. B. welcher „wöchentliche“ Zeitpunkt in der Serie die „monatlichen“ Informationen darstellt, auf die Sie sich beziehen müssen.
- Arbeiten Sie mit dem Übertragungsfunktionsmodell, das andere Informationen als die Serie selbst integrieren kann. Passen Sie beispielsweise eine „monatliche“ Serie an und fügen Sie gleichzeitig „wöchentliche“ Informationen als zusätzlichen „Input“ hinzu. (Aber welche Woche soll ich verwenden? Daher ist der erste Vorschlag, mit einem feineren Maßstab zu arbeiten, immer noch relevant.)
Ich habe nur eine verrückte Idee eingebracht, um die am besten geeignete Zeitverzögerung zu finden, und bin mir nicht sicher, ob das funktionieren wird.
Möglicherweise möchten Sie mehrere Spalten aus Ihrer Zeitspalte erstellen, um verschiedene zeitversetzte Zeitspalten zu erstellen. Verwenden Sie dann Strukturgleichungsmodelle, um die repräsentativste Verzögerung für Ihre Antwortdaten zu ermitteln.
Es könnte sein, dass man mit Elefanten auf Spatzen schießt, aber es könnte funktionieren 
