避免在R中使用stl（）或decompose（）函数时做季节性假设

Question

我有高频商品价格数据需要分析。我的目标是不假设任何季节性因素，只需确定趋势。在这里，我遇到了R的问题。我知道有两个主要函数可以分析此时间序列：decompose()和stl()。问题在于它们都采用频率参数大于或等于2的ts对象类型。是否有一种方法可以假定每个单位时间的频率为1，并仍然使用R分析此时间序列？我担心如果我假设频率大于1每个单位时间，并且季节性是使用频率参数计算的，那么我的预测将取决于该假设。

names(crude.data)=c('Date','Time','Price')
names(crude.data)
freq = 2
win.graph()
plot(crude.data$Time,crude.data$Price, type="l")
crude.data$Price = ts(crude.data$Price,frequency=freq) 

我希望频率在单位时间内为1，但是使用decompose()和stl()时会出现问题！

dim(crude.data$Price)
decom = decompose(crude.data$Price)
win.graph()
plot(decom$random[2:200],type="line")
acf(decom$random[freq:length(decom$random-freq)])

谢谢。

- user303922

---

我不确定我是否理解正确，但“频率为一”会是一个线性和/或抛物线趋势吗？否则，这听起来像是将每个观察作为自己的虚拟变量。季节性的本质是必须重复某些事情或者必须存在某种循环性——这必然意味着至少有2个周期。 - isomorphismes

Answer 1

无论是stl()还是decompose()都是用于季节性分解，因此您必须具有季节性组件。如果您只想估计趋势，则任何非参数平滑方法都可以完成工作。例如：

fit <- loess(crude.data$Price ~ crude.data$Time)
plot(cbind(observed=crude.data$Price,trend=fit$fitted,random=fit$residuals),main="")

- Rob Hyndman

---

Hyndman教授，您能推荐一个用于趋势估计的Python包吗？ - Hari

https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html - thistleknot