原文链接：http://tecdat.cn/?p=20434
本文从实践角度讨论了季节性单位根。我们考虑一些时间序列
，例如道路上的交通流量，
> plot(T,X,type="l")
> reg=lm(X~T)
> abline(reg,col="red")
如果存在趋势，我们应该将其删除，然后处理残差
> Y=residuals(reg)
> acf(Y,lag=36,lwd=3)
我们可以看到这里有一些季节性。第一个策略可能是假设存在季节性单位根，因此我们考虑
，我们尝试找到ARMA模型。考虑时间序列的自相关函数，
> Z=diff(Y,12)
> acf(Z,lag=36,lwd=3)
或偏自相关函数
第一个图可能建议MA（1），而第二个图可能建议AR（1）时间序列。我们都尝试。
arima
Coefficients:
ma1 intercept
-0.2367 -583.7761
s.e. 0.0916 254.8805
sigma^2 estimated as 8071255: log likelihood = -684.1, aic = 1374.2
可以认为是白噪声（如果您不确定，请尝试Box-Pierce或Ljung-Box测试）。
arima
Coefficients:
ar1 intercept
-0.3214 -583.0943
s.e. 0.1112 248.8735
sigma^2 estimated as 7842043: log likelihood = -683.07, aic = 1372.15
也可以视为白噪声。到目前为止，我们有
对于一些白噪声
。这表明以下的SARIMA结构
，
arima
Coefficients:
ar1
-0.2715
s.e. 0.1130
sigma^2 estimated as 8412999: log likelihood = -685.62, aic = 1375.25
现在，如果我们认为我们没有季节性单位根，而在AR结构中只是一个大的自回归系数。让我们尝试类似
自然而然的猜测是该系数应该（可能）接近于1。让我们尝试一下
arima
Coefficients:
ar1 sar1 intercept
-0.1629 0.9741 -684.9455
s.e. 0.1170 0.0115 3064.4040
sigma^2 estimated as 8406080: log likelihood = -816.11, aic = 1640.21
这与我们先前（以某种方式）获得的结果具有可比性，因此我们可以假设该模型是一个有趣的模型。我们将进一步讨论：第一个系数可能是不重要的。
从（非常）长期的角度来看，模型是完全不同的：一个模型是平稳的，因此预测将趋向于平均值，而另一个模型则是按季节的，因此置信区间将增加。我们得到
> pre(model2,600,b=60000)
对于平稳的
> prev(model3,600,b=60000)
但是，使用这些模型进行的预测仅适用于短期范围。在这种情况下，这里的预测几乎相同，
> pre(model2,36,b=60000)
> pre(model3,36,b=60000)
现在，如果我们回到第二个模型，自回归系数可能被认为是不重要的。如果我们将其删除怎么样？
Call:
seasonal = list(order = c(1, 0, 0)
Coefficients:
sar1 intercept
0.9662 -696.5661
s.e. 0.0134 3182.3017
sigma^2 estimated as 8918630: log likelihood = -817.03, aic = 1640.07
如果我们看一下（短期）预测，我们得到
> pre(model,36,b=32000)
有什么区别吗？如果我们看一下预测结果数字，我们会得到
数字不同，但差异不大（请注意置信区间的大小）。这可以解释为什么在R中，当我们在自回归过程时 ，得到一个模型要估计的参数
，即使其中不重要，我们通常也会保留它们来预测。
最受欢迎的见解
1.用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
2.Python中利用长短期记忆模型LSTM进行时间序列预测分析 – 预测电力消耗数据
4.Python中用PyTorch机器学习分类预测银行客户流失模型
6.在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析
网友评论