幅度有 2 次增加（2 月至 3 月之间有 1 次，9 月初有 1 次）
（图表有每日分辨率顺便说一句）
假设每周季节性，是否可以得到注意到增加的确切日期和 1 周前的一天，计算新/旧比例因子并在使用该比例因子发生增加之前缩放所有内容？
此操作通常如何调用？人们通常如何做到这一点，仅仅是这种缩放还是有更正确（也许更复杂）的方法？
你会用什么来调整R或 Python 和statsmodels中的这个时间序列？有没有一个我可以阅读的例子，或者你能在这里描述一个吗？
（这两次增加有一个共同的原因。该图表显示了网站上某些帖子的计数。在两次增加的时候，有一个新的收集器推出，结果，更多的数据开始进入。所以我试图做的缩放是试图估计如果当前集合从 2015 年 1 月开始就到位，那么时间序列在增加之前的样子）
检测和合并电平偏移（Step Shifts）是不可分割的一部分，或者是非因果建模和因果建模。经常使用术语干预检测。一些软件实现将识别限制为非因果模型，而另一些则没有。有关开创性文章，请参见http://www.unc.edu/~jbhill/tsay.pdf，并在此处使用字符串“intervention detection”搜索相关帖子。典型的输出将包括“没有干预的系列会是什么样子”。这些通常被称为“调整值”。
干预可能有一个“事实上的日期”和一个“法律上的日期”，通常是一致的，但有时不是由于系列中的动态。如果知道开始日期，则可以简单地添加一个指示变量（0,0,0,0,1,1,1,1..）来反映该知识，然后使用该变量的估计系数作为调整因子.
如果您知道干预发生在特定时间点，您可以估计一个模型，其中 I 是 0/1 干预变量，与 ARIMA 组件一起使用。
例如，如果您在两个时间点（39 和 21）有一个脉冲，则增强数据矩阵可能如下所示。
