我正在用Python实现Google的CausalImpact包。我的数据是每日频率(每年365次观察);然而,为了检验干预的效果,我的前期约为5个月,后期约为5个月。我的全方位数据(长约3年)清楚地显示每年的季节性。这个包的当前文档,包括同行评审的论文,在定义模型消费的年度季节性方面没有给出太多。如何设置年度季节性模型
基于我对这个变量的理解,我已经尝试将nseasons
参数设置为52。这导致前53个数据点被从模型中删除(类似于我尝试将365用于nseason时的情况,但由于没有>;365个数据点)
dated_data = df
pre_period = ['2018-01-01', '2018-06-05'] # Prior to known event
post_period = ['2018-06-06', '2019-11-25'] # After first, before second event
ci = CausalImpact(dated_data, pre_period, post_period,
prior_level_sd=None,
niter=1000, nseasons=[{'period': ???}],
seasonal_duration=???)'
我希望结果是一个模型,包括每年的季节性,如预测值所证明的那样,没有删减这么多的数据点
目前没有回答
相关问题 更多 >
编程相关推荐