---

Hej gruppe!

Jeg er igang med en statistikopgave og står overfor problemstillingen
dekomponering. Overordnet kender jeg selv til to modeller, hhv. den additive
og multiplikative. Konkret går mit spørgsmål på, hvorledes jeg tester,
hvilken model der egner sig bedst. Og i tilfælde af, at ingen af disse egner
sig, hvilke alternativer findes så?

På forhånd tak!

Simon Hermansen

---

> Jeg er igang med en statistikopgave og står
overfor problemstillingen
> dekomponering. Overordnet kender jeg selv til to
modeller, hhv. den additive
> og multiplikative. Konkret går mit spørgsmål på,
hvorledes jeg tester,
> hvilken model der egner sig bedst. Og i tilfælde
af, at ingen af disse egner
> sig, hvilke alternativer findes så?

Æh, jeg er ikke helt klar over havd du præcist
mener med "den additive" og "den multiplikative"
model. Snakker du om at parametrene skal indgå
additivt/multiplikativt? Og hvad er det for en for
en model - en linæer normalfordelingsmodel?

Generelt så er spørgsmålet om hvilken model der
passer bedst til data, et ret vanskeligt
spørgsmål, som man er temmelig interesseret i
blandt statistikere, men som man ofte ikke har
noget vildt klogt at sige noget om. Det afhænger
meget af data. Din model er dine antagelser om
hvordan data _i hvert fald_ opfører sig. Hvis du
vil teste din model er du nødt til at lave andre
antagelser og så kan man starte forfra.

Min personlige opfattelse er at du bedst
undersøger den slags med f.eks. grafiske metoder.
Hvis dine spørgsmål drejer sig om den klassiske
normalfordelingsmodel-klasse så lave et
residualplot for de to modeller. Den med det
pænseste residualplot passer bedst.

Kasper

---

"Kasper Daniel Hansen" <kdh@omk.dk> wrote in message
news:a68gjt$mlr$1@sunsite.dk...
> Æh, jeg er ikke helt klar over havd du præcist
> mener med "den additive" og "den multiplikative"
> model. Snakker du om at parametrene skal indgå
> additivt/multiplikativt? Og hvad er det for en for
> en model - en linæer normalfordelingsmodel?

Hej Kasper,

Jeg har en afsætningsrække fordelt på 260 uger. Dette skal sæsonudjævnes. De
to modeller, jeg taler om er:

Y(t)=T(t)*C(t)*S(t)*R(t)

Y(t)=T(t)+C(t)+S(t)+R(t)

T=trend

C=cykel

S=sæson

R=støj

Jeg har udregnet glidende gennemsnit. Jeg forsøgt at lave residualplot for
begge metoder og lavet en trendlinie. Begge metoder giver en lav
korrelationskoefficient (under 0,1). Den multiplikative har den højeste
værdi, men kan man drage nogen konklusion på baggrund af en så lav værdi???

Vh.
Simon

---

> Jeg har en afsætningsrække fordelt på 260 uger.
Dette skal sæsonudjævnes. De
> to modeller, jeg taler om er:
>
> Y(t)=T(t)*C(t)*S(t)*R(t)
>
> Y(t)=T(t)+C(t)+S(t)+R(t)
>
> T=trend
>
> C=cykel
>
> S=sæson
>
> R=støj
>
> Jeg har udregnet glidende gennemsnit. Jeg
forsøgt at lave residualplot for
> begge metoder og lavet en trendlinie. Begge
metoder giver en lav
> korrelationskoefficient (under 0,1). Den
multiplikative har den højeste
> værdi, men kan man drage nogen konklusion på
baggrund af en så lav værdi???

Sådan som du har skrevet den multiplikativ model
op ville jeg tage logaritmen til data og analyse
den som en additiv model, hvilket jeg går ud fra
at du har lettere ved. At
korrelationskoefficienten er lav betyder ikke
umiddelbart noget (du vil vel gerne have den lav
elle hvad?), men plejer i øverigt at sige alt
inden for +- 2/sqrt(antal obs) er stort set nul,
en anden værdi er væsensforskellig. Du har vel
lavet et helt autokorrelationsdiagram (altså
fundet k-lag korrelationerne)?

Ideen med sæson udglatning er at få at datasæt
tilbage som er "pænt" i den forstand at du kan
undersøge f.eks. afhængighedstrukturen uden at
blive forstyret af deterministiske faktorer. Så
jeg går ud fra at du gerne vil have et datasæt som
ser svagt stationært ud? I så fald må du jo se
lidt på dine fluktationer, altså lave et plot af
tidsrækken og se om den "ser" svagt stationær ud.

Men jeg er ikke den store tidsrække ekspert når
det drejer sig om at rense data :)

Kasper