Каждая функция контекста выполнения в javascript имеет контекст контекста этот параметр , который задается:
Каким бы ни был этот контекст области видимости, ссылается на «this».
Вы можете изменить это значение для параметра этого контекста области , используя func.call
, func.apply
или func.bind
.
По умолчанию и что сбивает с толку большинство новичков, когда вызывающий вызывающий вызов вызывается после того, как событие добавлено в элемент DOM, контекст области это значение функции является элементом DOM.
jQuery делает это тривиальным для изменения с помощью jQuery.proxy.
Невозможно использовать обычные методы декомпозиции, потому что они оценивают сезонность, используя, по крайней мере, столько же степеней свободы, сколько и сезонных периодов. Как указывал @useR, вам нужно, по крайней мере, два наблюдения за сезонный период, чтобы иметь возможность отличать сезонность от шума.
Однако, если вы хотите предположить, что сезонность относительно гладкая, вы можете оценить ее с использованием меньших степеней свободы. Например, вы можете аппроксимировать сезонный шаблон с использованием членов Фурье с несколькими параметрами.
df <- ts(c(
2735.869,2857.105,2725.971,2734.809,2761.314,2828.224,2830.284,2758.149,
2774.943,2782.801,2861.970,2878.688,3049.229,3029.340,3099.041,3071.151,
3075.576,3146.372,3005.671,3149.381), start=c(2016,8), frequency=12)
library(forecast)
library(ggplot2)
decompose_df <- tslm(df ~ trend + fourier(df, 2))
trend <- coef(decompose_df)[1] + coef(decompose_df)['trend']*seq_along(df)
components <- cbind(
data = df,
trend = trend,
season = df - trend - residuals(decompose_df),
remainder = residuals(decompose_df)
)
autoplot(components, facet=TRUE)
Вы можете отрегулировать порядок членов Фурье как требуется. Я использовал 2 здесь. Для ежемесячных данных максимум, который вы можете использовать, равен 6, но это даст модель с 13 степенями свободы, которая слишком велика, только с 20 наблюдениями. Если вы не знаете о терминах Фурье для сезонности, см. https://otexts.org/fpp2/useful-predictors.html#fourier-series .
Теперь мы можем удалить сезонный компонент, чтобы получить данные с учетом сезонных колебаний.
adjust_df <- df - components[,'season']
autoplot(df, series="Data") + autolayer(adjust_df, series="Seasonally adjusted")
summary(decompose_jily_psqm)
и посмотрел на значения p. И толькоS1-12
иS2-12
были значительными, поэтому я выбрал 2 термина. ОднакоC1-12
иC2-12
никогда не были значительными, хотя я не знаю, важно это или нет. – PMc 14 July 2018 в 09:25