Comment l'action 'arima' gère-t-elle l'alignement temporel et les valeurs manquantes dans les séries ?

L'action arima offre une gestion précise de l'alignement temporel et des valeurs manquantes pour assurer l'intégrité de l'analyse :

• Alignement de l'ID temporel (alignId) : Vous pouvez spécifier comment l'ID temporel est aligné. Les options disponibles sont :
  • BEGIN (par défaut) : Le début de l'intervalle.
  • END : La fin de l'intervalle.
  • MIDDLE : Le milieu de l'intervalle.
• Alignement des limites (boundaryAlign) : Ce paramètre contrôle l'alignement des horodatages de début et de fin. Les options sont :
  • BOTH (par défaut) : Aligne les deux limites.
  • END : Aligne uniquement la fin.
  • NONE : Pas d'alignement.
  • START : Aligne uniquement le début.
• Traitement des valeurs manquantes (setMiss) : Dans le sous-paramètre series, vous pouvez définir la manière d'interpréter les valeurs manquantes pour une variable donnée. Les options courantes incluent AVG, FIRST, LAST, MAX, MEDIAN, MIN, MISSING, NEXT, PREV, ou une valeur numérique spécifique (double). L'alias pour ce paramètre est miss.
• Élagage de l'ID temporel (trimId) : Spécifie comment les valeurs manquantes sont éliminées aux extrémités de la série temporelleSuite d'observations recueillies à intervalles réguliers au cours du temps. Utilisée pour identifier des tendances, des cycles et effectuer des prévisions (via proc TSMODEL ou FORECAST). :
  • NONE (par défaut) : Aucune valeur manquante n'est élaguée.
  • LEFT : Élimine les valeurs manquantes au début de la série.
  • RIGHT : Élimine les valeurs manquantes à la fin de la série.
  • BOTH : Élimine les valeurs manquantes aux deux extrémités.

Ces fonctionnalités garantissent que l'analyse des séries temporellesSuite d'observations collectées à intervalles réguliers. L'analyse vise à identifier des tendances, des cycles ou une saisonnalité pour modéliser et prédire les comportements futurs. est effectuée sur des données temporellement cohérentes et nettoyées selon les besoins spécifiques du modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting)..