チャウテストかどうか？

多数の時系列で構造的な破損を検出する自動画面を設定しようとしています。

時系列は毎週であり、顧客の行動を表します。チャウテストを設定しました。私は最近の4週間を使用して、それを直前の22週間と比較します。彼らの最近の行動が前回の行動と大幅に異なるかどうかを知りたいです。

私の質問はこれです：

チャウテストはこの質問に最も適切なテストですか？

これが最も適切なテストではない場合、どのテストが最も適切なテストかをどのように判断できますか？

あなたの質問は私にとって最も興味深く、その解決策は何年もの間私の主要な研究でした。

「構造的な破損」が発生する可能性のある方法はいくつかあります。

「時系列の後半」でインターセプトの変化またはトレンドの変化がある場合、介入検出を実行するのに適しています（NBこれは、不特定の決定論的変数などの重大な影響の経験的識別です。レベルシフトまたはトレンドの変化または季節パルスの開始として）。介入検出は、介入変数モデリングの前段階であり、提案された変数がモデルに含まれます。「AUTOMATIC INTERVENTION DETECTION」をグーグルすることで、ウェブ上の情報を見つけることができます。一部の著者は「外れ検出」という用語を使用していますが、多くの統計的言語と同様に、これは混乱/不正確になる可能性があります。検出された介入は、次のいずれかになります（残差の平均値の大きな変化を検出します）。

1. レベルの1周期の変化（つまり、パルス）
2. レベルの連続する複数期間の変更（つまり、切片の変更）
3. 体系的な脈拍（すなわち季節の脈拍）
4. トレンドの変化（つまり、1、2、3、4、5、7、9、11、13、15 .....）

これらの手順は、IN R / SAS / Matlabで簡単にプログラムでき、市販の多くの時系列パッケージで日常的に利用できます。ただし、確率構造を最初に検出するか、介入検出を行うかなど、注意が必要な多くの落とし穴があります。オリジナルシリーズ。これは鶏と卵の問題のようなものです。この領域での初期の作業はタイプ1に限定されていたため、おそらくニーズには不十分です。

そのような現象が検出されない場合は、通常はユーザーが仮説の変化点を事前に指定する必要があるCHOW TESTを検討できます。最も可能性の高いブレークポイントを決定するために代替の仮想ポイントを時間で評価することにより、変化点を検出する手順を調査および実装しています。

最後に、エラー分散に構造的変化があった可能性に敏感である可能性があり、そのため、CHOW TESTがマスクされ、パラメータに有意なブレークポイントがないという帰無仮説が誤って受け入れられる可能性があります。