我想达到什么目的？

我正在尝试测试在已知中断日期（2019 年 12 月 21 日）的时间序列比例是否存在结构性中断。下面是原始时间序列图（上图）及其 STL 分解图：

我采取什么方法？

1. 对比例应用 logit 变换
2. 应用 STL 分解从数据中去除季节性。
3. 使用 STL 分解的季节性调整值对线性回归模型进行建模，该模型将采用 AR(p) 或 MA(q) 模型的形式。
   • 整个时间序列的模型
   • 休息日之前的时间序列模型
   • 休息日后的时间序列模型
4. 通过计算 Chow 检验统计量并生成相关的 p 值来应用 Chow 检验。

这是 logit 转换数据的季节性调整时间序列：

我在哪里不确定？

我想应用 ARIMA 模型（包括更简单的 AR(p) 和 MA(q)）。这是因为它们就像简单的线性回归模型，非常符合 Chow 测试的要求。

这些模型需要平稳的时间序列，因此去趋势，其中去趋势可以在 ARIMA 模型的估计中完成。

但是，如果我删除了趋势和季节性，我会留下用于 Chow 测试的平稳（随机）误差的时间序列。例如，这是一阶差分后经季节性调整的时间序列的样子：

这就是我感到困惑的地方。当平稳性误差的时间序列根据平稳性的定义具有恒定的均值和方差时，我是否仍然可以在均值或趋势或方差值突然变化的点检测到结构性中断？

因此，我应该使用 AR(p) 或 MA(q) 对哪些数据进行建模？

1. 去趋势和去季节性（平稳）的时间序列数据？（余）
2. 去季节性的、仅趋势的时间序列数据？（仅趋势）
3. 季节性调整的时间序列数据？（趋势+余数）

---

我采取了不同的方法吗？

作为替代方案，我正在考虑使用具有自回归误差的线性回归对经季节性调整的（即趋势 + 余数）时间序列进行建模，方法是按时间对 logit 变换数据进行回归并将误差建模为具有 ARIMA 结构：

$$y_t = \beta_0 + \beta_1*time + \Theta^-1(B)w_t$$

奖金问题

我是否采用了正确的方法来测试结构中断，或者您是否推荐其他可以在 R 中实现的方法？

已经了解strchange包，所以还想知道在传入之前是否需要数据是静止的。