Chow test ou pas?

J'essaie de mettre en place un écran automatique pour détecter les ruptures structurelles dans un grand nombre de séries chronologiques.

Les séries chronologiques sont hebdomadaires et représentent le comportement des clients. J'ai mis en place un test Chow. J'utilise les 4 semaines les plus récentes et je les compare aux 22 précédentes. Je veux savoir si leur comportement récent s'est sensiblement écarté du comportement précédent.

Ma question est la suivante:

Le test de Chow est-il le test le plus approprié pour cette question?

Si ce n'est pas le test le plus approprié, comment puis-je déterminer quel test est le plus approprié?

Votre question est la plus intéressante pour moi et sa solution est ma principale recherche depuis plusieurs années.

Il existe plusieurs façons de provoquer une "rupture structurelle".

S'il y a un changement dans l'interception ou un changement de tendance dans "la dernière partie de la série chronologique", alors un serait mieux adapté pour effectuer la détection d'intervention (NB c'est l'identification empirique de l'impact significatif d'une variable déterministe non spécifiée telle comme un changement de niveau ou un changement de tendance ou le début d'une impulsion saisonnière). La détection des interventions est alors un précurseur de la modélisation des interventions où une variable suggérée est incluse dans le modèle. Vous pouvez trouver des informations sur le Web en recherchant sur Google "DÉTECTION D'INTERVENTION AUTOMATIQUE". Certains auteurs utilisent le terme «DÉTECTION EXTÉRIEURE», mais comme beaucoup de langage statistique, cela peut être source de confusion / d'imprécision. Les interventions détectées peuvent être l'une des suivantes (détection d'un changement significatif dans la moyenne des résidus);

1. un changement de niveau d'une période (c.-à-d. une impulsion)
2. un changement de niveau contigu sur plusieurs périodes (c'est-à-dire un changement d'interception)
3. une impulsion systématique (c.-à-d. une impulsion saisonnière)
4. un changement de tendance (ie 1,2,3,4,5,7,9,11,13,15 .....)

Ces procédures sont facilement programmables dans R / SAS / Matlab et sont systématiquement disponibles dans un certain nombre de packages de séries temporelles disponibles dans le commerce, mais il y a de nombreux pièges dont vous devez vous méfier, par exemple si vous devez détecter la structure stochastique en premier ou effectuer une détection d'intervention sur le série originale. C'est comme le problème du poulet et des œufs. Les premiers travaux dans ce domaine étaient limités aux types 1 et, en tant que tels, seront probablement insuffisants pour vos besoins.

Si aucun phénomène de ce type n'est détecté, on pourrait envisager le TEST DE CHOW qui oblige normalement l'utilisateur à pré-spécifier le point de changement supposé. J'ai recherché et mis en œuvre des procédures pour DÉTECTER le point de changement en évaluant des points hypothétiques alternatifs dans le temps pour déterminer le point de rupture le plus probable.

En conclusion, on pourrait également être sensible à la possibilité qu'il y ait eu un changement structurel dans la variance d'erreur, ce qui pourrait masquer le CHOW TEST conduisant à une fausse acceptation de l'hypothèse nulle de pas de points de rupture significatifs dans les paramètres.