Fourier SARIMA Modeli
Fourier-augmented Seasonal Autoregressive Integrated Moving Average Model · Ayrıca şöyle bilinir: Fourier SARIMA, SARIMA with Fourier terms, Fourier-SARIMA, trigonometric SARIMA
Fourier SARIMA modeli, klasik Mevsimsel ARIMA çerçevesini, deterministik regresörler olarak trigonometrik (Fourier) terimleri içerecek şekilde genişletir. Bu, modelin her frekans için tam bir mevsimsel ARIMA yapısına ihtiyaç duymadan, düzgün, karmaşık veya çoklu frekanslı mevsimsel örüntüleri yaklaştırmasına olanak tanır; bu da onu özellikle yüksek frekanslı veriler veya kesirli olmayan ya da değişen mevsimselliğe sahip seriler için kullanışlı hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Mevsimsel periyot m'nin büyük olduğu (klasik SARIMA'nın pratik olmadığı haftalık, günlük veya günlük altı veriler) ve tam bir mevsimsel ARIMA'nın pratik olmadığı durumlarda veya mevsimsel şeklin tek bir basit döngüden ziyade düzgün ve karmaşık olduğu durumlarda Fourier SARIMA'yı kullanın. Ayrıca birden fazla mevsimsel periyodun örtüştüğü durumlarda da uygundur (örneğin, günlük verilerde hem haftalık hem de yıllık döngüler) — bu durumda farklı periyotlardaki birden fazla Fourier terimi seti yığılabilir. m'nin küçük olduğu (örneğin, m = 4 veya 12) ve mevsimsel örüntünün kararlı ve basit mevsimsel fark alma ile iyi yakalandığı durumlarda standart SARIMA'nın yerine doğrudan bir ikame olarak kullanmayın, çünkü Fourier SARIMA fayda sağlamadan tahmin karmaşıklığı ekler. Ayrıca, mevsimsel örüntünün ani değiştiği (mevsimsellikte yapısal kırılmalar) durumlarda da kaçının, çünkü trigonometrik yaklaşımlar düzgün değişimi varsayar.
Güçlü yönler & sınırlılıklar
- Klasik SARIMA'nın aşırı parametrelendiği büyük veya kesirli mevsimsel periyotları (haftalık, günlük, saatlik veriler) ele alır.
- Cimri: az sayıda Fourier harmonik, tam mevsimsel AR/MA terimlerinden daha az parametre ile karmaşık çoklu frekanslı mevsimsel örüntüleri temsil edebilir.
- Farklı temel frekanslardaki Fourier terimlerini yığarak birden fazla örtüşen mevsimsel periyodun eşzamanlı olarak modellenmesine olanak tanır.
- Düzgün mevsimsel yaklaşım istatistiksel olarak verimlidir ve mevsimsel yapının aşırı uyumunu önler.
- Eğilim, entegrasyon ve mevsimsel olmayan otokorelasyon için tam ARIMA makinesiyle uyumludur.
- Model seçimi adımı ekleyen K'yi (harmonik sayısı) seçmeyi gerektirir; K'nin yanlış belirtilmesi artık mevsimsel otokorelasyon bırakabilir veya parametreleri boşa harcayabilir.
- Fourier terimleri düzgün, yaklaşık sinüzoidal bir mevsimsel şekil varsayar; keskin, düzensiz veya ani değişen mevsimsellik kötü yaklaştırılır.
- Çok sayıda örtüşen mevsimsel frekansla, regresör matrisi neredeyse koliner hale gelebilir, bu da tahmini karmaşıklaştırır.
- Yöntem mevsimsel yapısal kırılmaları tespit etmez — kırılmalar şüpheleniliyorsa Fourier tabanlı birim kök veya kırılma testi ayrı olarak çalıştırılmalıdır.
- Tek tek Fourier katsayılarının yorumlanması, mevsimsel AR/MA parametrelerinden daha az sezgiseldir.
SSS
Kaç tane Fourier terimi K dahil etmeliyim?
K = 1 ile başlayıp m/2'ye (veya pratik bir maksimum olan 6–10'a) kadar artırın, AIC veya BIC'yi en aza indiren değeri seçin. Uygulamalı serilerin çoğu için 2–4 harmonik baskın mevsimsel şekli yakalamak için yeterlidir.
Fourier terimlerini mevsimsel fark alma (D = 1) ile birlikte kullanabilir miyim?
Evet, ancak dikkatli olun. Mevsimsel örüntü stokastik (birim kök) bir bileşene sahipse, mevsimsel fark alma uygundur; Fourier terimleri daha sonra deterministik artık mevsimselliği modeller. Ancak, mevsimsel fark almayı tam bir Fourier terimleri setiyle birleştirmek neredeyse kolinerlik yaratabilir, bu nedenle dengeyi yönlendirmek için bilgi kriterlerini kullanın.
Fourier SARIMA, TBATS veya Prophet'ten nasıl farklıdır?
TBATS (Trigonometrik mevsimsellik, Box-Cox, ARMA hataları, Eğilim, Mevsimsel) üstel düzeltme ile bir durum-uzay formu kullanır ve Fourier benzeri mevsimsel durumları gömer; Prophet, eğilim değişim noktalarıyla toplamsal Fourier regresörleri kullanır. Fourier SARIMA daha şeffaftır, tanıdık ARIMA çerçevesi içinde çalışır ve standart araçlarla test edilmesi ve teşhis edilmesi daha kolaydır, ancak daha fazla manuel derece seçimi gerektirir.
Fourier SARIMA haftalık veriler için uygun mudur?
Evet — yıllık döngüye sahip haftalık verilerde m = 52'dir, bu da 52 mevsimsel gecikmeli tam bir mevsimsel ARIMA'yı pratik olmaktan çıkarır. Az sayıda Fourier harmonik (tipik olarak K = 2–4) verimli ve tahmin edilebilir bir yaklaşım sağlar.
Fourier SARIMA'yı hangi yazılım uygular?
R'de, forecast paketi (Hyndman et al.), xreg argümanıyla auto.arima() veya Arima() ile eşleştirilmiş Fourier regresörleri oluşturmak için fourier() fonksiyonunu sağlar. Python kullanıcıları Fourier regresörlerini manuel olarak oluşturabilir ve bunları statsmodels SARIMAX'e dışsal değişkenler olarak geçirebilir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Fourier-augmented Seasonal Autoregressive Integrated Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/fourier-sarima-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA Modeli (Otokorelasyonlu Entegre Hareketli Ortalama)Ekonometri↔ karşılaştır
- Fourier ARDL Sınır TestiEkonometri↔ karşılaştır
- Fourier ARIMA ModeliEkonometri↔ karşılaştır
- Fourier VAR ModeliEkonometri↔ karşılaştır
- SARIMA ModeliEkonometri↔ karşılaştır
- Yapısal Kırılmalı SARIMA ModeliEkonometri↔ karşılaştır