Vous avez probablement vu mon article sur la classification STI de Hans Levenbach (celui-ci). Eh bien, j’ai décidé de l’implémenter, et il a atterri dans le package graybox pour R/Python.
Qu’est-ce que la boîte grise ? Il s’agit d’un package de modélisation statistique axé sur la prévision et l’analyse de séries chronologiques. Je l’ai créé en 2018 pour séparer les modèles statiques (tels que la régression linéaire) des modèles dynamiques qui ont atterri dans le package smooth. Greybox a évolué depuis lors et propose désormais une régression linéaire (alm), une sélection de régression (pas à pas) et des combinaisons (calm), une variété d’outils pour la génération de fonctionnalités, les diagnostics, l’évaluation des prévisions (par exemple l’origine glissante), etc. Vous pouvez en savoir plus ici. À l’origine, le package n’était disponible que pour R, mais Claude et moi avons porté ses principales fonctions sur Python en février.
Les techniques d’analyse exploratoire des données pour les séries chronologiques s’intègrent assez bien dans l’ensemble, même si je n’en ai pas encore beaucoup. J’ai donc implémenté l’idée principale du STI de Hans Levenbach dans une fonction appelée « stick » (Seasonal, Trend, Irregular Contribution Kit) dans le package graybox pour R/Python. L’idée est simple : appliquez le stick à une série chronologique, cela utilisera l’ANOVA et vous donnera la force de chaque composant. Voici, par exemple, comment appliquer la fonction aux données AirPassengers (la série temporelle de jouets préférée de tous) dans R :
library(greybox) stick(AirPassengers)
et en Python :
from fcompdata import AirPassengers from greybox import stick result = stick(AirPassengers.y, lags=12) print(result)
ce qui donne exactement le même résultat :
Strength of the components:
seasonal12 trend irregular
0.1061 0.8613 0.0326
Ainsi, la tendance domine la série chronologique, expliquant 86,13 % de sa variabilité, ce qui signifie que si vous la capturez correctement, vous résolvez une grande partie du problème. Cette répartition vous donne également une idée approximative de la répartition structure/bruit dans la série chronologique, même si elle suppose que la composante saisonnière n’évolue pas au fil du temps.
La fonction prend en charge plusieurs composants saisonniers, et je pourrais l’étendre pour inclure des informations externes (par exemple des promotions) à l’avenir s’il y a une demande.
La fonction Message Stick pour l’EDA dans les séries chronologiques est apparue pour la première fois sur Open Forecasting.
En rapport
PakarPBN
A Private Blog Network (PBN) is a collection of websites that are controlled by a single individual or organization and used primarily to build backlinks to a “money site” in order to influence its ranking in search engines such as Google. The core idea behind a PBN is based on the importance of backlinks in Google’s ranking algorithm. Since Google views backlinks as signals of authority and trust, some website owners attempt to artificially create these signals through a controlled network of sites.
In a typical PBN setup, the owner acquires expired or aged domains that already have existing authority, backlinks, and history. These domains are rebuilt with new content and hosted separately, often using different IP addresses, hosting providers, themes, and ownership details to make them appear unrelated. Within the content published on these sites, links are strategically placed that point to the main website the owner wants to rank higher. By doing this, the owner attempts to pass link equity (also known as “link juice”) from the PBN sites to the target website.
The purpose of a PBN is to give the impression that the target website is naturally earning links from multiple independent sources. If done effectively, this can temporarily improve keyword rankings, increase organic visibility, and drive more traffic from search results.
