我现在听到我的商业预测教授在我的脑海中建议使用累积和 (CUSUM) 控制图。基本上，这是一种从控制/物流研究中借用的方法，可以随时间跟踪价值。如果一个量随着时间的推移是稳定的，那么这个系列就“处于控制之中”，当这个量开始系统性地偏离（也就是说，它不再看起来像噪音）时，它就会“失控”。

在时间序列的上下文中，您可以从$t_{(0)}$到$t_{(i)}$， 然后$t_{(i+1)}$依此类推，直到$t_{(n)}$，并创建一个 CUSUM 图表以观察该系列何时似乎打破了平稳性。随着时间的推移，可以应用相同的过程来跟踪 ARIMA 模型参数。

当然，其中一些想法已经完成，并且似乎 R Bloggers 通过使用该changepoint软件包很快就获得了相对不错的结果。您可以在下面的链接中深入了解详细信息。

我应用这种方法来查看在美国实施“平价医疗法案”期间医疗保险成员是否发生了巨大变化。这将回答这个问题：

如果我们有基于 2012 年过去会员数据的模型，我们是否会对后 ACA 会员做出可接受的预测？

参考：

• https://www.r-bloggers.com/changepoint-analysis-of-time-series/
• https://cran.r-project.org/web/packages/changepoint/changepoint.pdf
• https://www.itl.nist.gov/div898/handbook/pmc/section3/pmc323.htm
• https://pdfs.semanticscholar.org/97d5/0c538be1d366f85826d440006d8de65a4f84.pdf