0

我正在使用具有外生变量的向量自回归模型对具有季节性的每日订单进行建模。我使用了具有适合模型的功能的“vars”包。我在没有使用外生变量的情况下得到了预测，但我必须包括它们。当我将它们包括在内时，我的预测是 NAs。我不明白为什么会这样。我的外生变量矩阵包括营销信息和大量的零和一。它是一个 1218 x 123 大小的矩阵。我的内生变量是一个 1218 x 4 大小的矩阵。R代码如下。我真的需要关于如何用我的预测来解决这个问题的帮助。

final<-merge.zoo(regresseditems, powers, lags)
final<-as.matrix(final)
final[is.na(final)] <- 0
x1<-final[5:1222,]
vardata<-merge.zoo(Total_Orders.ts,prospects_orders.ts,house_orders.ts,
Email_Transactions.ts)

jaba<-as.matrix(vardata)
lambda <- BoxCox.lambda(na.contiguous(jaba))
VARlnorders<-BoxCox(jaba, lambda)
vardatest<-VAR(VARlnorders, p = 123 , type ="both", season =366, exogen=x1)
predictions <-predict(vardatest, n.ahead=254,dumvar=x2)

（x2 是相同外生变量的 254 x 123 缩小尺寸矩阵。n.ahead 必须等于 x2 中的观察数）

$prospects_orders.ts
       fcst lower upper        CI
  [1,]   NA    NA    NA 0.9641635
  [2,]   NA    NA    NA 1.1487698
  [3,]   NA    NA    NA 1.3001178
  [4,]   NA    NA    NA 1.4754121
  [5,]   NA    NA    NA 1.5504319
  [6,]   NA    NA    NA 1.6052040
  [7,]   NA    NA    NA 1.6545732
4

1 回答 1

1

使用与模型中的 exo 变量相同的虚拟变量可能会导致一些问题，因为我相信某些关系最终将无法计算。

我认为我不能完全回答您的问题，尽管查看您的模型，我会说您的滞后 (p) 非常大 - 我会尝试使用 VAR 函数中的 AIC 最佳滞后来设置它。

此外，尽管您的模型变量可能非常简单，在某些地方包含 0 和 1，但您仍然在扩展这种模型的能力（以及因此输出的可行性/可信度），因为您有一个相对较小的变量数量的观察次数。

我知道对于我使用 VAR（包：vars）完成的很多模型，随着我添加更多变量，结果会慢慢失去意义和可信度。首先尝试做一些较小的变量篮子，这些变量放在一起有意义，或者甚至先做一些成对测试。
如果你这样做了，你也可以尝试在 VAR 模型中使用较少数量的变量作为内生变量。

于 2014-01-21T18:11:47.333 回答