加法モデルと乗法モデルのどちらを選択しますか？
回答:
私も添加剤に行きます。見かけの信号は低周波のように見えるので、少なくとも経験的には、それを少し超えることができます。たとえば、データの有限差分の等分散性（1次または2次）を確認できます。これは非常に粗雑なハイパスフィルターとして機能し、ノイズが支配的になることが予想されます。
信号がはるかに長い場合は、ウィンドウの移動とフーリエ変換が役立ちます。
ただし、予測に関しては、両方のモデルを並行して実行し、たとえば過去の統計に基づいていずれか1つのモデルの最高のパフォーマンスに基づいて、どちらを適用するかを決定できます。これは、私が最近ハイブリッドモデル協調シミュレーションの結果の予測に使用したヒューリスティックな方法です。ここでは、モデルが不明です。異なる外挿を並列に実行し、非常に高速で決定します。それはあまり理論的ではありませんが、私たちのデータでうまく機能します。
興味があれば開発できます。参照先は次のとおりです。CHOPtrey：複雑なシステムの強化されたマルチコア協調シミュレーションのためのコンテキストオンライン多項式外挿
データが非常に短く、完全な季節期間があるかどうか確信が持てないので、データ、その勾配、およびラプラシアンについていくつかのフーリエ分析を実行しようとしました。変動は非常に周期的であるように見えるため、下部のプロットでは、「フィルタリング」移動平均を設計しようとしました。残差の振幅はあまり変化しません。それは本当にランダムではないようです。
55の値を取り、AUTOBOXを使用して、決定論的構造とARIMA構造を含む可能性のあるハイブリッドモデルを自動的に検出しました。目の
オリジナルデータとのACFプロットの電子プロット
オリジナルシリーズはこちらです。AUTOBOXは、1つのトレンドと3つの季節ダミーがSARIMAより適切であると同時に、1次のAR構造も含むと結論付けました。ここにモデルがあり、
ここ 
に次の統計的要約があります
。
残差プロットは、ここに残差
のコンパニオンACFで十分であることを示唆しています
。
実際、フィット、および予測のプロットがここに
あり、モデルの4つのパルスの必要性を明確に示唆するOUTLIERアダストドプロット
。最後に、Fo 
リキャストプロットが次の8期間に渡ります。
対数や乗法モデルなどの変換は、データまたは特定のドメインの知識を持つユーザーによって正当化および提案される必要があります。この場合、これはそうではありませんでした。電力変換が必要な場合については、こちらを参照してください。（数値の）分布のログをいつ（およびなぜ）取得する必要がありますか？。AUTOBOXは本質的に、トレンドと4つの異常と非常に有意なAR（1）係数を含むHW加法季節モデルに収束したことに注意してください。
LAURENTへのコメント：
短期記憶を処理するためにAR（1）構造も必要とする一方で、4つの確定的コメントのうち3つが必要でした（Trend、Seasonal（QUARTERLY）Dummies and Pulses）。