ハショル。
得られてるデータは、((トレンド成分)＋(周期成分)) + (季節変動) + (誤差変動) だとする。
で、((トレンド成分)＋(周期変動)) は、移動平均だとする。
すると、((実際のデータ) - (移動平均)) は、((季節変動) + (誤差変動)) になる。
季節変動の抽出その ((季節変動) + (誤差変動)) の移動平均(春、夏、秋、冬、別に) を取ると、、、
誤差変動はゼロと置くので、その春の季節変動の集計値となる。
それで、これが、季節変動の値となるけど、季節変動の和は、全体ではゼロになって欲しい。
なので、平均除去する。その平均は、集計値の、春、夏、秋、冬。(1,2,3,4の4半期が本当) 値は、４種類しかない。その４種類を、それぞれの点に当てはめる。
これで、実際のデータとのズレは、誤差変動ということになるけど、、、 その誤差に、トレンドが出がち。 なので、「平均」との差ではなく、傾向線との差に直す、、らしい、、、
で、本も端折ってるので、僕もskip
関数 decomposeを使うなんとなく、作業の概要はイメージできたので、できあいの関数にお任せする。 鉱工業生産指数のデータ。
deompose(Data, type="multiplicative") multiplicative => それぞれの寄与が掛け算？ seasonalとrandomの部分だけかな、、、 なので、調整前だと、季節により、＋ - で３％くらい変動がある。誤差部分(ie: 結果考慮できないもの )は、+2%, -2%くらい。2004年の最後は、-3%になってるけど、、、
| 