Я работаю с Python-реализацией пакета Google CausalImpact.Мои данные на ежедневной частоте (365 наблюдений в год);однако, чтобы проверить эффект вмешательства, мой предварительный период длится примерно 5 месяцев, а мой постпериод - примерно 5 месяцев.Мои полные данные (дольше около 3 лет) четко показывают годовую сезонность.Текущая документация для этого пакета, включая рецензируемую статью, не дает особого определения ежегодной сезонности потребления модели.Как настроить модель для годовой сезонности?
Я попытался установить для параметра nseasons значение 52, исходя из моего понимания этой переменной.Это привело к тому, что первые 53 точки данных были исключены из модели (аналогичная ситуация, когда я пытался использовать 365 для n-сезонов, но это приводило к ошибке из-за отсутствия> 365 точек данных).
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=???)'
Я ожидаю, что результатом будет модель, которая будет включать в себя ежегодную сезонность, о чем свидетельствуют значения прогноза, без обрезания большого количества точек данных.