• 平稳的趋势应该可以毫无问题地应对经济影响。
• 在 stl 中使用 robust=TRUE 在这里是有意义的（我已经改变了我的原始函数来做同样的事情）。
• 除非你有超过十年的数据，否则我会坚持周期性的季节性。它不太可能以足够快的速度变化以检测较短的时间序列。
• 对工作日数据进行预处理是有意义的，因为它消除了已知的可变性原因。

我建议你尝试 stl 方法，看看它在哪里给出了与你现有方法截然不同的结果。然后看看这些案例，看看哪种方法给出了最合理的结果。

我不会走 ARIMA 路线，因为它远没有 stl 强大。

好的，让我们试试这个进行比较。如果我通过将原始时间序列除以每个月的实际工作日数，然后将结果乘以 21 来消除日历影响，该怎么办？

原始时间系列为黑色，日历调整后的系列为红色：

我首先想到的是：嘿，这些数据真的是季节性的吗？八月可能是，但十一月/十二月呢？在我看来，工作日调整抵消了冬季月份的大部分（如果不是全部）季节性。各位怎么看？

最重要的是：我仍然注意到 05 年 11 月和 09 年 1 月的脉搏，我不太确定 06 年 5 月，在我看来，08 年 1 月可能更多地与工作日有关，而不是与工作日有关。到一个实际的脉冲。

另外，我完全可以看到 09 年 2 月的水平变化，但 06 年 12 月的水平变化呢？是不是更像是 06 年 11 月脉冲的副作用（考虑到日历调整的数据，06 年 11 月甚至是脉冲）？意甲升得如此之高，以至于当它回落时，似乎水平发生了变化。脉冲调整后的数据是否仍会在 06 年 12 月产生电平偏移警告？

同样，这里的想法是尝试看看数据的预处理是否真的可以改善正确的异常值识别。我认为像这样的并行测试可能会有所帮助。IrishStats（或其他任何人）愿意接受挑战吗？:-)

问题/机会是识别潜在的 ARIMA 或季节性虚拟模型并根据需要进行扩充。与季节性 ARIMA 结构相比，这个特定系列证明了字符串/占主导地位的确定性季节性假人。然后，我们确定了两个异常值，它们是脉冲、季节性脉冲、电平变化和/或本地时间趋势，以及生成“噪声”所需的自回归结构。在第 50 期（2009 年/2 月）和第 24 期（2006 年/12 月）或前后确定了两个级别转换。数据建议以下模型。此处列出了异常值，即 PULSES 。一个非常有启发性的图形是经过清洗的与此处显示的实际图形。最后，拟合/实际/预测图是一个很好（但很忙）的总结。预测图是. 最终的模型统计数据显示在最后三张图像 和 和和中。模型的残差是合理随机的，没有剩余的自相关结构。希望这个小例子对大家有帮助！我是我在这里使用的软件的开发人员之一。还有其他商业上可用的产品可以提供类似的东西。