Sezónní stavové modelování

Abstract

Stavové modelování představuje statistický rámec pro metody exponenciálního vyrovnávání a je často využívaným nástrojem pro modelování časových řad. Tato práce se věnuje sezónním inovačním stavovým modelům a hlavní pozor- nost je soustředěna na nedávno navržený TBATS model. Tento model, zahrnu- jící Boxovu-Coxovu transformaci, náhodnou složku ve tvaru ARMA modelu a trigonometrickou reprezentaci sezónnosti, byl navržen tak, aby dokázal mode- lovat velmi široké spektrum časových řad se složitými typy sezónností včetně řad s několika sezónními složkami, s velkou frekvencí dat, s neceločíselnými pe- riodami sezónních složek či řad ovlivněných dvěma různými kalendáři. Odhady parametrů založené na metodě maximální věrohodnosti a použití trigonomet- rické reprezentace sezónnosti výrazně snižují výpočetní nároky tohoto modelu. Univerzálnost TBATS modelu je předvedena na čtyřech reálných časových řa- dách.

State space modeling represents a statistical framework for exponential smoo- thing methods and it is often used in time series modeling. This thesis descri- bes seasonal innovations state space models and focuses on recently suggested TBATS model. This model includes Box-Cox transformation, ARMA model for residuals and trigonometric representation of seasonality and it was designed to handle a broad spectrum of time series with complex types of seasonality inclu- ding multiple seasonality, high frequency of data, non-integer periods of seasonal components, and dual-calendar effects. The estimation of the parameters based on maximum likelihood and trigonometric representation of seasonality greatly reduce computational burden in this model. The universatility of TBATS model is demonstrated by four real data time series.