我正在制作一个包含2年半以上每日销售数据的时间序列。该项目的目的是估算营销支出对销售的影响,同时考虑季节性和趋势。
我计划使用statsmodel包中的Unobserved Components。我的问题是,外生因素的系数是否与季节性,趋势和周期成分一起估算,或者如果在减去季节性,趋势和周期后对残差估计外生因素?
答案 0 :(得分:0)
所有事物都是一起估计的,这意味着在其他成分首次单独估算之后,外生参数的系数不是根据残差估计的。
有两种不同的方法可以估算外源数据的系数(同样,无论哪种方式都可以同时估算所有成分和系数,而不是按顺序估算):
首先,如果mle_regression=True
(这是默认值),则通过最大似然估计外生变量的系数(以及模型的其他参数,通常包括趋势的方差项,季节性等),然后向量exog.dot(coeffs)
用作模型的截距。
如果mle_regression=False
,则通过卡尔曼滤波器估计系数。
在大型样本中,这两种方法是等效的,即使在小样本中,它们通常也会给出几乎完全相同的估计值。