आर श्रृंखला में टाइम सीरीज़ ब्रेकआउट/चेंज/डिस्टर्बेंस डिटेक्शन: strucchange, changepoint, BreakoutDetection, bfast, और अधिक

Question

मैं इस के लिए आर। माई में विभिन्न समय श्रृंखला ब्रेकआउट/परिवर्तन/परेशानी का पता लगाने के तरीकों के लिए साइन-पोस्ट बनना चाहता हूं। प्रश्न निम्नलिखित में से प्रत्येक पैकेज के साथ दृष्टिकोण में प्रेरणा और मतभेदों का वर्णन करना है। यही कारण है, जब इसे और अधिक समझ में अन्य, समानता/मतभेद के ऊपर एक दृष्टिकोण का उपयोग करने पड़ता है, आदि

प्रश्न में पैकेज:

• strucchange (उदाहरण here)
• changepoint (उदाहरण here)
• BreakoutDetection (लिंक सरल उदाहरण भी शामिल है)
• qcc's Control Charts (ट्यूटोरियल here)
• bfast
• शायद कुछ हद तक (?): AnomalyDetection और mvOutlier

मैं लक्षित जवाब के लिए उम्मीद कर रहा हूँ। शायद प्रत्येक विधि के लिए एक अनुच्छेद। इनमें से प्रत्येक को एक समय श्रृंखला में थप्पड़ मारना आसान है, लेकिन यह अनुमान लगाने/धारणाओं का उल्लंघन करने की लागत पर आ सकता है। ऐसे संसाधन हैं जो एमएल पर्यवेक्षित/असुरक्षित तकनीकों के लिए दिशानिर्देश प्रदान करते हैं। मैं (और निश्चित रूप से अन्य) समय-श्रृंखला विश्लेषण के इस क्षेत्र के आसपास कुछ गाइडपोस्ट/पॉइंटर्स की सराहना करता हूं।

Answer 1

दो बहुत अलग मंशा समय श्रृंखला विश्लेषण करने के लिए मार्ग प्रशस्त किया है:

1. औद्योगिक गुणवत्ता नियंत्रण और बाहरी कारकों के की का पता लगाने, एक स्थिर शोर से विचलन का पता लगाने।
2. प्रवृत्तियों की वैज्ञानिक समझ, जहां प्रवृत्तियों और उनके निर्धारकों की समझ केंद्रीय महत्व का है।

बेशक

दोनों को काफी हद तक एक ही सिक्के के दो पहलू हैं और बाहरी कारकों के की का पता लगाने समय श्रृंखला सफाई के रुझान विश्लेषण से पहले के लिए महत्वपूर्ण हो सकता है। समय-श्रृंखला का अध्ययन करने के लिए आर द्वारा पेश किए गए पैकेजों की विविधता की व्याख्या करने के लिए मैं फिर भी इस भेद को लाल रेखा के रूप में उपयोग करने के लिए प्रयास करूंगा।

गुणवत्ता नियंत्रण, औसत और मानक विचलन की स्थिरता history of one of the first statistical efforts to maintain industrial quality, the control chart द्वारा उदाहरण के रूप में प्रमुख महत्व के हैं। इस संबंध में, qccmost classical quality control diagrams: Shewhart quality control, cusum and EWMA charts का संदर्भ कार्यान्वयन है।

वर्ष, लेकिन अभी भी सक्रिय mvoutlier और अधिक हाल ही में AnomalyDetection पर बाहरी कारकों के कारण का पता लगाने फोकस। mvoutlier मुख्य रूप से Mahalanobis दूरी का उपयोग करता है और Filzmoser, मैरोना, और वर्नर (2007) के एल्गोरिदम का उपयोग कर दो आयामी डेटासेट (रास्टर्स) और यहां तक ​​कि बहु आयामी डेटासेट के साथ काम कर सकते हैं। AnomalyDetection स्थानीय स्थानीय विसंगतियों (आउटलीयर्स) और वैश्विक विसंगतियों (मौसमी पैटर्न द्वारा समझाया गया भिन्नता) दोनों की पहचान करने के लिए time series decomposition का उपयोग करता है। और BreakoutDetection

AnomalyDetection के रूप में, BreakoutDetection दिया चहचहाना द्वारा 2014 BreakoutDetection, open-sourced in 2014 by Twitter में मुक्त-स्रोत बना दिया है, breakouts का पता लगाने का इरादा रखता है यह समय श्रृंखला, कि विसंगतियों के समूहों, गैर-पैरामीट्रिक आंकड़ों का उपयोग कर रहा है। ब्रेकआउट का पता लगाने के रुझानों और पैटर्न की समझ के बहुत करीब आता है। इसी तरह के ऑप्टिक में, brca पैकेज अनियमित रूप से नमूना समय-श्रृंखला के विश्लेषण पर केंद्रित है, खासकर behavioral changes in animal movement की पहचान करने के लिए।

निश्चित रूप से रुझान में परिवर्तन के निर्धारण के लिए स्थानांतरणchangepoint औजार कई (सरल) frequentist और गैर पैरामीट्रिक तरीकों समय श्रृंखला प्रवृत्तियों में एक या कई टूट जाता है पता लगाने के लिए। strucchange रीग्रेशन मॉडल का उपयोग करके फिट, साजिश और परीक्षण प्रवृत्ति परिवर्तनों की अनुमति देता है। अंत में, bfast रास्टर (उदा। उपग्रह छवियों) समय श्रृंखला का विश्लेषण करने और लापता डेटा को संभालने के लिए strucchange पर बनाता है।