Vai al contenuto principale

4  Caratteristiche delle serie storiche

Il package feasts (Feature Extraction And Statistics from Time Series) contiene una serie di funzioni utili per poter analizzare le principali caratteristiche delle serie storiche, alcune delle quali sono state discusse nei precedenti capitoli. Ad esempio, le autocorrelazioni introdotte nel paragrafo 2.8 possono essere considerate come delle caratteristiche delle serie storiche, che forniscono sintesi numeriche associate alla serie stessa. Anche la stima di Guerrero del parametro associato alla trasformazione di Box-Cox, introdotta nel capitolo precedente, può essere considerata una caratteristica delle serie storiche, in quanto fornisce un valore numerico di sintesi ricavato da una serie storica.

Esistono molteplici indici di sintesi che possono essere calcolati a partire da dati in serie storiche allo scopo di analizzare le caratteristiche principali delle serie. In questo capitolo saranno mostrati alcuni tra gli indicatori più noti in letteratura, utilizzati allo scopo di rivelare (in un’ottica esplorativa) le caratteristiche principali relative ai dati oggetto di studio. Nel corso del capitolo, saranno utilizzati a titolo di esempio i dati trimestrali relativi al turismo australiano, introdotti in precedenza nel paragrafo 2.5.

4.1 Alcune semplici statistiche

Ciascun indice di sintesi ottenuto da una serie storica (ad esempio la media, il minimo, il massimo) riflette una qualità della serie stessa. Tali indici possono essere calcolati con l’utilizzo della funzione features(). Si voglia ad esempio calcolare la media di tutte le serie presenti nel dataset del turismo australiano.

tourism |>
  features(Trips, list(mean = mean)) |>
  arrange(mean)
# A tibble: 304 × 4
   Region          State              Purpose   mean
   <chr>           <chr>              <chr>    <dbl>
 1 Kangaroo Island South Australia    Other    0.340
 2 MacDonnell      Northern Territory Other    0.449
 3 Wilderness West Tasmania           Other    0.478
 4 Barkly          Northern Territory Other    0.632
 5 Clare Valley    South Australia    Other    0.898
 6 Barossa         South Australia    Other    1.02 
 7 Kakadu Arnhem   Northern Territory Other    1.04 
 8 Lasseter        Northern Territory Other    1.14 
 9 Wimmera         Victoria           Other    1.15 
10 MacDonnell      Northern Territory Visiting 1.18 
# ℹ 294 more rows

A partire dai risultati mostrati in tabella, si nota che la serie storica con il valor medio più basso appartiene alla categoria “Other”, relativa alle visite di Kangaroo Island, situata nell’area meridionale dell’Australia.

Spesso, piuttosto che calcolare un indice alla volta, può essere utile ottenere una visualizzazione (almeno tabellare) di più valori che, una volta combinati, aiutano a dare una visione d’insieme delle caratteristiche salienti della serie. In questo contesto, risulta molto utile analizzare il riepilogo a cinque indici. Si tratta di un modo conveniente per combinare cinque statistiche descrittive: il minimo, il primo quartile, la mediana, il terzo quartile e il massimo. Tali indici forniscono indicazioni sia sulla posizione (la centralità) dei dati, ma anche sulla variabilità e sulla distribuzione dei suoi valori. I quartili dividono i dati in quattro classi di uguale frequenza, ciascuna delle quali contiene il 25% dei valori osservati. Per poter ottenere i quartili si può fare uso della funzione quantile().

tourism |> features(Trips, quantile)
# A tibble: 304 × 8
   Region         State              Purpose     `0%`  `25%`   `50%`  `75%` `100%`
   <chr>          <chr>              <chr>      <dbl>  <dbl>   <dbl>  <dbl>  <dbl>
 1 Adelaide       South Australia    Business  68.7   134.   153.    177.   242.  
 2 Adelaide       South Australia    Holiday  108.    135.   154.    172.   224.  
 3 Adelaide       South Australia    Other     25.9    43.9   53.8    62.5  107.  
 4 Adelaide       South Australia    Visiting 137.    179.   206.    229.   270.  
 5 Adelaide Hills South Australia    Business   0       0      1.26    3.92  28.6 
 6 Adelaide Hills South Australia    Holiday    0       5.77   8.52   14.1   35.8 
 7 Adelaide Hills South Australia    Other      0       0      0.908   2.09   8.95
 8 Adelaide Hills South Australia    Visiting   0.778   8.91  12.2    16.8   81.1 
 9 Alice Springs  Northern Territory Business   1.01    9.13  13.3    18.5   34.1 
10 Alice Springs  Northern Territory Holiday    2.81   16.9   31.5    44.8   76.5 
# ℹ 294 more rows

In questo caso il minimo è indicato con la dicitura 0%, mentre 100% indica il massimo.

4.2 La funzione di autocorrelazione

L’autocorrelazione di ordine k è stata introdotta nel paragrafo 2.8. Tutti i valori ottenuti tramite la funzione di autocorrelazione (ACF) di una serie storica possono essere considerati come caratteristiche di una serie storica. Inoltre, combinando i risultati dell’ACF è possibile ottenere delle nuove caratteristiche; ad esempio, la somma del quadrato dei primi dieci coefficienti dell’ACF costituisce un indice di sintesi della quantità “generale” di autocorrelazione presente in una serie.

La funzione di autocorrelazione può essere utilizzata per confrontare cambiamenti tra periodi temporali differenti. In tal caso si effettua l’analisi sulle “serie differenziate una volta” creando, a partire dai dati iniziali (detti anche “serie nei livelli”), una sequenza di differenze tra osservazioni consecutive. Applicando nuovamente il passaggio alle differenze si ottiene una nuova serie “nelle differenze seconde”, e così via se si applica ripetutamente tale procedura. A partire da questi risultati, è possibile calcolare nuovamente l’ACF delle serie delle differenze al fine di ottenere informazioni utili riguardanti le caratteristiche della serie iniziale.

Lo studio delle differenze stagionali è un approccio che risulta utile in molti contesti, soprattutto economici. Si supponga di avere a disposizione dati mensili: in tal caso l’interesse potrebbe essere rivolto ad analizzare le differenze che intercorrono nello stesso mese di due anni consecutivi, ad esempio Gennaio, Febbraio, Marzo e così via. Analizzando tali differenze si ottiene quindi una sintesi dei cambiamenti annuali piuttosto che mensili. Anche in questo caso lo studio dell’ACF delle differenze stagionali risulta essere particolarmente informativo.

I vantaggi legati all’analisi delle serie differenziate saranno discussi in maniera più dettagliata nel paragrafo 9.1.

La funzione feat_acf() calcola alcune delle autocorrelazioni introdotte in questo paragrafo. In particolare, i valori che la funzione restituisce sono:

  • acf1, il coefficiente di autocorrelazione di ordine uno della serie originaria;
  • acf10, la somma dei quadrati delle prime dieci autocorrelazioni della serie originaria;
  • diff1_acf1, il coefficiente di autocorrelazione di ordine uno della serie nelle differenze prime;
  • diff1_acf10, la somma dei quadrati delle prime dieci autocorrelazioni della serie nelle differenze prime;
  • diff2_acf1, il coefficiente di autocorrelazione di ordine uno della serie nelle differenze seconde;
  • diff2_acf10, la somma dei quadrati delle prime dieci autocorrelazioni della serie nelle differenze seconde;
  • season_acf1, nel caso di dati stagionali, viene calcolato anche il coefficiente di autocorrelazione di ordine uno delle serie nelle differenze stagionali di ordine uno.

Nel caso dei dati australiani sul turismo si ottiene il seguente risultato:

tourism |> features(Trips, feat_acf)
# A tibble: 304 × 10
   Region     State Purpose     acf1 acf10 diff1_acf1 diff1_acf10 diff2_acf1 diff2_acf10
   <chr>      <chr> <chr>      <dbl> <dbl>      <dbl>       <dbl>      <dbl>       <dbl>
 1 Adelaide   Sout… Busine…  0.0333  0.131     -0.520       0.463     -0.676       0.741
 2 Adelaide   Sout… Holiday  0.0456  0.372     -0.343       0.614     -0.487       0.558
 3 Adelaide   Sout… Other    0.517   1.15      -0.409       0.383     -0.675       0.792
 4 Adelaide   Sout… Visiti…  0.0684  0.294     -0.394       0.452     -0.518       0.447
 5 Adelaide … Sout… Busine…  0.0709  0.134     -0.580       0.415     -0.750       0.746
 6 Adelaide … Sout… Holiday  0.131   0.313     -0.536       0.500     -0.716       0.906
 7 Adelaide … Sout… Other    0.261   0.330     -0.253       0.317     -0.457       0.392
 8 Adelaide … Sout… Visiti…  0.139   0.117     -0.472       0.239     -0.626       0.408
 9 Alice Spr… Nort… Busine…  0.217   0.367     -0.500       0.381     -0.658       0.587
10 Alice Spr… Nort… Holiday -0.00660 2.11      -0.153       2.11      -0.274       1.55 
# ℹ 294 more rows
# ℹ 1 more variable: season_acf1 <dbl>

4.3 Caratteristiche della decomposizione STL

La decomposizione STL discussa in dettaglio nel capitolo 3 costituisce il fondamento di molte altre caratteristiche delle serie.

La decomposizione delle serie storiche può essere utilizzata per misurare quanto le componenti del trend e della stagionalità influiscono su di esse. La classica decomposizione (additiva) in trend e stagionalità è descritta dalla seguente relazione y_t = T_t + S_{t} + R_t, dove T_t rappresenta la componente trend (lisciata, o smoothed), S_{t} è la componente stagionale ed R_t rappresenta la componente residuale. Se i dati presentano una forte componente trend, allora la serie destagionalizzata (ovvero la serie epurata della sua componente stagionale) ha una maggiore variabilità rispetto alla componente residuale: il rapporto Var(R_t)/Var(T_t+R_t) fornisce quindi un valore relativamente piccolo. Al contrario, le due varianze appena mostrate sono approssimativamente simili (quindi il rapporto tende ad uno) nel caso in cui i dati hanno una componente trend trascurabile. A partire da tali considerazioni, è possibile misurare l’impatto della componente trend come: F_T = \max\left(0, 1 - \frac{\text{Var}(R_t)}{\text{Var}(T_t+R_t)}\right). Tale indice, definito nell’intervallo [0,1], fornisce una misura di quanto il trend influisce sulla serie originaria. Dato che la varianza della componente residuale potrebbe occasionalmente essere maggiore della varianza della serie destagionalizzata, il valore minimo di F_T viene posto pari a zero.

La misura dell’impatto della componente stagionale può essere definita in maniera simile se si utilizzano i dati detrendizzati, ovvero se dalla serie storica viene rimossa la sua componente trend: F_S = \max\left(0, 1 - \frac{\text{Var}(R_t)}{\text{Var}(S_{t}+R_t)}\right). Anche questo indice è definito nell’intervallo [0,1]. In particolare, una serie storica che presenta F_S approssimativamente pari a 0 è dotata di una stagionalità debole o nulla; al contrario, se i dati hanno una componente stagionale forte, si ha che Var(R_t) è più piccola rispetto a Var(S_{t}+R_t) e di conseguenza F_S \rightarrow 1.

Gli indici F_T ed F_S sono utili nel caso in cui si debbano analizzare molteplici serie storiche con l’obiettivo di stabilire quali tra queste viene influenzata maggiormente dalla componente trend oppure stagionale. Attraverso l’utilizzo della funzione feat_stl() è possibile analizzare una serie di indici tipici della decomposizione STL, inclusi quelli appena introdotti.

tourism |>
  features(Trips, feat_stl)
# A tibble: 304 × 12
   Region         State Purpose trend_strength seasonal_strength_year seasonal_peak_year
   <chr>          <chr> <chr>            <dbl>                  <dbl>              <dbl>
 1 Adelaide       Sout… Busine…          0.464                  0.407                  3
 2 Adelaide       Sout… Holiday          0.554                  0.619                  1
 3 Adelaide       Sout… Other            0.746                  0.202                  2
 4 Adelaide       Sout… Visiti…          0.435                  0.452                  1
 5 Adelaide Hills Sout… Busine…          0.464                  0.179                  3
 6 Adelaide Hills Sout… Holiday          0.528                  0.296                  2
 7 Adelaide Hills Sout… Other            0.593                  0.404                  2
 8 Adelaide Hills Sout… Visiti…          0.488                  0.254                  0
 9 Alice Springs  Nort… Busine…          0.534                  0.251                  0
10 Alice Springs  Nort… Holiday          0.381                  0.832                  3
# ℹ 294 more rows
# ℹ 6 more variables: seasonal_trough_year <dbl>, spikiness <dbl>, linearity <dbl>,
#   curvature <dbl>, stl_e_acf1 <dbl>, stl_e_acf10 <dbl>

Le colonne denominate trend_strength e seasonal_strength forniscono rispettivamente i valori degli indici F_T ed F_S. Attraverso una rappresentazione grafica è possibile identificare agevolmente quali serie sono maggiormente condizionate dal trend e quali sono le più stagionali.

tourism |>
  features(Trips, feat_stl) |>
  ggplot(aes(x = trend_strength, y = seasonal_strength_year, col = Purpose)) +
  geom_point() +
  facet_wrap(vars(State)) +
  labs(x = "Impatto del trend", y = "Impatto della stagionalità",
       colour = "Scopo del viaggio")
Figura 4.1: Impatto della stagionalità rispetto al trend sulle serie del turismo.

Non sorprende osservare che le serie storiche con una maggiore connotazione stagionale sono quelle relative alla categoria vacanze (Holiday), mentre le serie che presentano una componente di trend più marcata sono quelle associate all’area geografica del Western Australia e di Victoria. Una volta identificate le serie più rappresentative, queste possono essere esplorate con ulteriori rappresentazioni grafiche.

tourism |>
  features(Trips, feat_stl) |>
  filter(
    seasonal_strength_year == max(seasonal_strength_year)
  ) |>
  left_join(tourism, by = c("State", "Region", "Purpose"), multiple = "all") |>
  ggplot(aes(x = Quarter, y = Trips)) +
  geom_line() +
  facet_grid(vars(State, Region, Purpose)) +
  labs(x = "Trimestre")
Figura 4.2: Serie storica con maggiore stagionalità, dati del turismo australiano.

In questo grafico sono quindi mostrati gli andamenti temporali del numero di viaggi per vacanza verso la meta sciistica più popolare dell’Australia.

Come anticipato, la funzione feat_stl() fornisce una serie di indicatori aggiuntivi rispetto a quelli descritti in questo paragrafo. Di seguito sono elencati gli indici disponibili.

  • seasonal_peak_year indica la cadenza dei picchi — quale mese o trimestre contiene la maggiore componente stagionale — fornendo un’informazione sulla natura della stagionalità. Nei dati sul turismo australiano, ad esempio, se il periodo di picco stagionale in una regione è il terzo trimestre, questo significa che i viaggi sono maggiormente concentrati in inverno, mentre un picco nel primo trimestre può suggerire che la regione è più popolare in estate.
  • seasonal_trough_year indica la cadenza delle depressioni — quale mese o trimestre contiene la componente stagionale più piccola.
  • spikiness misura la prevalenza di picchi nella componente R_t della decomposizione STL. Questo indice corrisponde alla varianza leave-one-out di R_t.
  • linearity misura la linearità della componente trend associata alla decomposizione STL. Questo indice si basa sul coefficiente di regressione lineare applicata alla componente trend.
  • curvature rappresenta una misura della curvatura della componente trend. Si basa sul coefficiente di una regressione quadratica ortogonale applicata alla componente trend.
  • stl_e_acf1 è il coefficiente di autocorrelazione di ordine primo della componente residuale.
  • stl_e_acf10 corrisponde alla somma dei quadrati dei primi dieci coefficienti di autocorrelazione della componente residuale.

4.4 Altre caratteristiche

Attraverso l’utilizzo del package feasts è possibile calcolare diversi indicatori di sintesi molto utili per effettuare l’analisi in serie storiche. Inoltre, risulta facile aggiungere degli indici personalizzati costruendo una funzione R ad-hoc che, a partire da una serie temporale univariata, restituisce un vettore numerico contenente i valori ricercati.

Per completezza, sono elencati di seguito i restanti indicatori presenti in feasts non discussi nei precedenti paragrafi. Alcuni di essi saranno analizzati e discussi in maggior dettaglio nei successivi capitoli.

  • coef_hurst calcola il coefficiente di Hurst di una serie storica; si tratta di un indicatore della presenza di persistenza o “memoria lunga” (long memory) della serie. Una serie dotata di memoria lunga presenta coefficienti di autocorrelazione alti per molti ordini.
  • feat_spectral stima l’indice di entropia spettrale (di Shannon) di una serie storica, utilizzato come misura della capacità di prevedere i valori futuri. Una serie con forti stagionalità e trend (quindi di facile previsione) avrà un’entropia vicina a zero. Al contrario, se la serie storica presenta una forte componente di “rumore” (per cui è difficile prevedere scenari futuri) restituisce un’entropia pari ad uno.
  • box_pierce restituisce la statistica del test white noise di Box-Pierce ed il suo corrispettivo p-value. Tale test è discusso in dettaglio nel paragrafo 5.4.
  • ljung_box produce la statistica del test white noise di Ljung-Box ed il suo corrispettivo p-value. Tale test è discusso in dettaglio nel paragrafo 5.4.
  • La funzione di autocorrelazione parziale (PACF) di k-esimo ordine misura la relazione che intercorre tra due serie composte dalle coppie di osservazioni distanti tra loro esattamente k periodi, dopo aver rimosso gli effetti relativi alle osservazioni che si trovano tra di essi. Per tale ragione, l’autocorrelazione parziale di primo ordine (PACF, con k=1) coincide con l’autocorrelazione di ordine primo (ACF, con k=1), dato che non ci sono osservazioni da rimuovere tra due valori consecutivi. La funzione di autocorrelazione parziale è discussa nel paragrafo 9.5. La funzione feat_pacf permette di calcolare la PACF per più ordini e contiene inoltre una serie di indicatori ad essa collegati, come ad esempio: la somma dei quadrati dei primi cinque ordini delle serie originarie, delle differenze prime e delle differenze seconde. Nel caso di dati stagionali, la funzione restituisce anche la PACF di ordine primo della serie destagionalizzata al primo ritardo.
  • unitroot_kpss fornisce la statistica del test di radice unitaria di Kwiatkowski-Phillips-Schmidt-Shin (KPSS), per verificare se una serie è stazionaria, ed il suo corrispondente p-value. Il test KPSS è introdotto nel paragrafo 9.1.
  • unitroot_pp fornisce la statistica del test di radice unitaria di Phillips-Perron, per verificare se una serie è stazionaria, ed il suo corrispondente p-value.
  • unitroot_ndiffs restituisce il numero minimo di differenze k-esime da generare al fine di ottenere una serie stazionaria in base al test KPSS. Questa procedura è discussa in dettaglio nel paragrafo 9.1
  • unitroot_nsdiffs restituisce il numero minimo di differenze stagionali k-esime necessarie per ottenere una serie stazionaria. Questa procedura è discussa in dettaglio nel paragrafo 9.1.
  • var_tiled_mean stima la varianza delle medie a blocchi (tiled means, la media di blocchi di osservazioni non sovrapposti). La lunghezza di default di un blocco è fissata pari a 10 se i dati non presentano stagionalità, oppure è pari alla lunghezza del periodo stagionale. A volte, questo indice è indicato come la “stabilità” della serie.
  • var_tiled_var stima la varianza delle varianze a blocchi (tiled variances, la varianza di blocchi di osservazioni non sovrapposte). Questo indice misura la “grumosità” della serie.
  • shift_level_max cerca il maggiore scostamento in media tra due finestre temporali consecutive. Si tratta di un indicatore utile per identificare salti (o cadute) repentini di una serie storica.
  • shift_level_index identifica l’istante temporale cui è associata la massima variazione in media.
  • shift_var_max cerca il maggiore scostamento in varianza tra due finestre temporali consecutive. Questo indice è utile per identificare cambiamenti repentini della volatilità di una serie storica.
  • shift_var_index restituisce l’istante temporale cui è associata la massima variazione in varianza.
  • shift_kl_max calcola la massima variazione in distribuzione, in base alla divergenza di Kulback-Leibler (KL), tra due finestre temporali consecutive. Tale indicatore è di aiuto per identificare cambiamenti repentini di una serie storica.
  • shift_kl_index restituisce l’istante temporale cui è associata la massima divergenza KL.
  • n_crossing_points calcola il numero di volte che una serie incrocia il livello definito dalla sua stessa mediana.
  • longest_flat_spot calcola il numero di blocchi di valori di una serie storica che presentano cambiamenti deboli o nulli.
  • stat_arch_lm stima la statistica basata sul test dei moltiplicatori di Lagrange (LM) di Engle (1982) per l’eteroschedasticità condizionale autoregressiva (ARCH).
  • guerrero calcola il parametro \lambda ottimale della trasformazione di Box-Cox tramite il metodo di Guerrero (discusso in dettaglio nel paragrafo 3.1).

4.5 Analisi dei dati australiani sul turismo

Tutte le caratteristiche incluse nel package feasts possono essere calcolate utilizzando poche righe di codice.

tourism_features <- tourism |>
  features(Trips, feature_set(pkgs = "feasts"))
tourism_features
# A tibble: 304 × 51
   Region         State Purpose trend_strength seasonal_strength_year seasonal_peak_year
   <chr>          <chr> <chr>            <dbl>                  <dbl>              <dbl>
 1 Adelaide       Sout… Busine…          0.464                  0.407                  3
 2 Adelaide       Sout… Holiday          0.554                  0.619                  1
 3 Adelaide       Sout… Other            0.746                  0.202                  2
 4 Adelaide       Sout… Visiti…          0.435                  0.452                  1
 5 Adelaide Hills Sout… Busine…          0.464                  0.179                  3
 6 Adelaide Hills Sout… Holiday          0.528                  0.296                  2
 7 Adelaide Hills Sout… Other            0.593                  0.404                  2
 8 Adelaide Hills Sout… Visiti…          0.488                  0.254                  0
 9 Alice Springs  Nort… Busine…          0.534                  0.251                  0
10 Alice Springs  Nort… Holiday          0.381                  0.832                  3
# ℹ 294 more rows
# ℹ 45 more variables: seasonal_trough_year <dbl>, spikiness <dbl>, linearity <dbl>,
#   curvature <dbl>, stl_e_acf1 <dbl>, stl_e_acf10 <dbl>, acf1 <dbl>, acf10 <dbl>,
#   diff1_acf1 <dbl>, diff1_acf10 <dbl>, diff2_acf1 <dbl>, diff2_acf10 <dbl>,
#   season_acf1 <dbl>, pacf5 <dbl>, diff1_pacf5 <dbl>, diff2_pacf5 <dbl>,
#   season_pacf <dbl>, zero_run_mean <dbl>, nonzero_squared_cv <dbl>,
#   zero_start_prop <dbl>, zero_end_prop <dbl>, lambda_guerrero <dbl>, …

Se sono installati i package urca e fracdiff, si ottengono in questo modo 48 indici per ciascuna combinazione delle tre variabili considerate (Region, State e Purpose) in una tabella in formato tibble. A partire da questo dataset, è possibile analizzare i dati alla ricerca di osservazioni (o gruppi di osservazioni) interessanti.

Nei precedenti paragrafi è stato già mostrato come rappresentare graficamente due (o più) indicatori contemporaneamente (paragrafo 4.3). È pertanto possibile costruire dei grafici per ogni coppia di indicatori analizzati. Ad esempio, in figura 4.3, sono mostrate, insieme alla variabile Purpose, tutte le caratteristiche relative alla stagionalità.

library(glue)
tourism_features |>
  select_at(vars(contains("season"), Purpose)) |>
  mutate(
    seasonal_peak_year = seasonal_peak_year +
      4 * (seasonal_peak_year == 0),
    seasonal_trough_year = seasonal_trough_year +
      4 * (seasonal_trough_year == 0),
    seasonal_peak_year = glue("Q{seasonal_peak_year}"),
    seasonal_trough_year = glue("Q{seasonal_trough_year}"),
  ) |>
  GGally::ggpairs(
    mapping = aes(colour = Purpose),
    lower = list(combo = function(data, mapping, ...) {
      GGally::ggally_facethist(data, mapping, ...) +
        scale_y_continuous(breaks = c(0, 10))
    })
  ) +
  theme(axis.text.x = element_text(angle = 90, hjust = 1, vjust = 0.5))
Figura 4.3: Rappresentazione grafica per tutte le possibili coppie di variabili delle caratteristiche relative alla stagionalità per i dati sul turismo austrialiano.

La rappresentazione grafica a coppie fornisce un’ampia quantità di informazioni aggregate. Ad esempio, i possibili esiti della variabile Purpose sono stati rappresentati mediante diversa colorazione nelle figure. Di seguito saranno descritte alcune delle caratteristiche principali che si possono ricavare dall’analisi dei grafici.

  • Le tre misure numeriche legate alla stagionalità (seasonal_strength_year, season_acf1 e season_pacf) sono correlate positivamente.
  • Il grafico in basso a sinistra e quello in alto a destra evidenziano che le serie storiche con una maggiore stagionalità sono quelle legate ai viaggi per vacanza (come mostrato nei precedenti paragrafi).
  • I grafici a barre nell’ultima riga relativi alle colonne seasonal_peak_year e seasonal_trough_year mostrano che i picchi stagionali legati ai viaggi per affari (Business) sono maggiormente frequenti nel terzo trimestre e, al contrario, più rari nel primo.

La rappresentazione grafica a coppie riesce a fornire una visione d’insieme delle caratteristiche di un dataset complesso composto, come in questo caso, da variabili eterogenee, ma non è uno strumento particolarmente efficace nel caso si vogliano esplorare le caratteristiche “aggregate” di molte variabili. A tale scopo si può fare uso delle tecniche di riduzione della dimensionalità (dimensionality reduction), le quali permettono di combinare le informazioni correlate allo scopo di sintetizzare più variabili in un numero ridotto di variabili di sintesi.

L’analisi delle componenti principali (Principal Component Analysis, PCA) è una tecnica di analisi multivariata che consente di ottenere, a partire dai dati originari, una combinazione lineare delle variabili di partenza in una o più nuove variabili, dette Componenti Principali, ottenute massimizzando la varianza tra le componenti stesse. Si ottiene così un insieme ridotto di variabili in grado di sintetizzare l’eterogeneità espressa dagli indicatori selezionati, minimizzandone allo stesso tempo la perdita di informazione. Le componenti principali legate ai dati sul turismo sono così ottenute:

library(broom)
pcs <- tourism_features |>
  select(-State, -Region, -Purpose) |>
  prcomp(scale = TRUE) |>
  augment(tourism_features)
pcs |>
  ggplot(aes(x = .fittedPC1, y = .fittedPC2, col = Purpose)) +
  geom_point() +
  theme(aspect.ratio = 1) +
  labs(x = "Componente principale 1", y = "Componente principale 2",
       colour = "Scopo del viaggio")
Figura 4.4: Rappresentazione grafica dei dati relativi ai 48 indicatori trimestrali relativi al turismo australiano sul piano determinato dalle prime due componenti principali.

Ciascun punto della figura 4.4 rappresenta una serie storica ed il suo posizionamento nel grafico cartesiano è basato su tutte le 48 variabili considerate. Le componenti principali sono tra di loro ortogonali, quindi incorrelate, e sono estratte in maniera sequenziale fino ad esaurire la variabilità totale dei dati. La prima componente (.fittedPC1) consiste in una combinazione lineare dei dati e cattura la quota più alta possibile di varianza. La seconda componente (.fittedPC2) agisce allo stesso modo, operando però sulla varianza residua (ovvero quella non spiegata dalla componente precedente) e così via per le restanti componenti.

In questo esempio, alla prima componente principale è associato il 24.5 % circa della variabilità totale, mentre la seconda componente principale spiega il 20.4 % della variabilità totale. Quindi, le due componenti principali rappresentano, congiuntamente, circa il 45 % della variabilità totale.

Nella seguente tabella (importance) sono mostrati i risultati relativi alla percentuale di variabilità spiegata delle singole componenti (seconda riga) e alla percentuale cumulata di variabilità spiegata (terza riga) delle prime componenti principali. Per informazioni aggiuntive legate alla PCA, e più in generale alle tecniche di dimensionality reduction, si rimanda a Izenman (2008).

tourism_features |>
  select(-State, -Region, -Purpose) |>
  prcomp(scale = TRUE) |> 
  summary() |>
  extract("importance") |> 
  as_tibble()

La figura 4.4 mostra anche una serie di caratteristiche peculiari riguardanti i dati del turismo. Le serie storiche relative alle vacanze si comportano in modo differente rispetto alle altre: la maggior parte di esse è posizionata nella regione superiore destra del grafico, mentre le rimanenti serie sono posizionate in maniera opposta. Tale risultato evidenzia che la seconda componente principale ha la capacità di caratterizzare se una serie storica è legata ai viaggi per vacanza oppure se il viaggio è legato ad una qualsiasi delle altre motivazioni.

Attraverso l’analisi del grafico è possibile identificare potenziali andamenti anomali, detti anche outlier — si tratta di serie storiche che presentano delle combinazioni inusuali degli indici. Serie storiche anomale sono identificabili dal grafico in figura 4.4 come quei punti che risultano essere separati rispetto alla maggior parte delle altre serie. In questo caso ci sono quattro punti che presentano un andamento anomalo ed è possibile identificare a quali serie corrispondono utilizzando le seguenti righe di codice.

outliers <- pcs |>
  filter(.fittedPC1 > 10) |>
  select(Region, State, Purpose, .fittedPC1, .fittedPC2)
outliers
# A tibble: 4 × 5
  Region                 State             Purpose  .fittedPC1 .fittedPC2
  <chr>                  <chr>             <chr>         <dbl>      <dbl>
1 Australia's North West Western Australia Business       13.4    -11.3  
2 Australia's South West Western Australia Holiday        10.9      0.880
3 Melbourne              Victoria          Holiday        12.3    -10.4  
4 South Coast            New South Wales   Holiday        11.9      9.42 
outliers |>
  left_join(tourism, by = c("State", "Region", "Purpose"), multiple = "all") |>
  mutate(Series = glue("{State}", "{Region}", "{Purpose}", .sep = "\n\n")) |>
  ggplot(aes(x = Quarter, y = Trips)) +
  geom_line() +
  facet_grid(Series ~ ., scales = "free") +
  labs(x = "Trimestre", title = "Serie storiche anomale nello spazio delle Componenti Principali")
Figura 4.5: Quattro serie storiche anomale, dati del turismo australiano.

Il passaggio successivo è quindi tentare di analizzare il motivo per cui queste serie sono identificate come anomale.

  • La serie storica delle vacanze verso la costa meridionale del New South Wales è fortemente stagionale e presenta un trend quasi nullo, mentre la maggior parte delle destinazioni turistiche in Australia è in genere dotata di un trend temporale.
  • Melbourne è una destinazione turistica insolita dato che non presenta alcuna stagionalità, mentre la maggior parte delle destinazioni turistiche in Australia è caratterizzata da un turismo altamente stagionale.
  • La regione nord-occidentale della Western Australia mostra un aumento insolito del turismo d’affari, apparentemente non stagionale negli ultimi anni considerati.
  • La zona sud-occidentale della Western Australia mostra un aumento del turismo negli ultimi anni (per motivi turistici) simile al caso precedente, ma in questo caso la serie è dotata di una forte stagionalità.

4.6 Esercizi

  1. Scrivi una funzione per calcolare la media e la deviazione standard di una serie storica, ed utilizzala sul dataset PBS. Rappresenta graficamente la serie storica che presenta la media più alta e quella con la deviazione standard più bassa.

  2. Usa la funzione GGally::ggpairs() per osservare le relazioni tra gli indici STL utilizzando le serie storiche delle vacanze presenti nel dataset tourism. Trasforma le variabili seasonal_peak_year e seasonal_trough_year in tipo factor, come mostrato in figura 4.3. Qual è il trimestre associato al picco per le vacanze in ciascuno Stato?

  3. Utilizzando gli indici mostrati in questo capitolo, elabora un approccio per cercare potenziali serie storiche anomale nel dataset PBS. Giustifica quali sono le caratteristiche insolite associate alle serie storiche che sono state identificate come outliers.

4.7 Approfondimenti

  • L’idea di adottare la decomposizone STL è stata originariamente proposta da Wang et al. (2006).
  • La scelta dell’utilizzo degli indici presenti nel package feasts è stata motivata in Hyndman et al. (2015) e Kang et al. (2017).
  • La possibilità di analizzare i vari indici di serie storiche (in ottica esplorativa) utilizzando l’analisi delle componenti principali è stata proposta da Kang et al. (2017).