0

我在处理一些预算数据的任何时间序列对象时遇到了非常困难的时间。

原始数据是约 1800 份合约的 14,460 行付款，其中每一行都有 DD/MM/YYYY 和 Amount 特征。从 2000 年 1 月 1 日到 2014 年 12 月 31 日共有 5296 天，但其中只有 3133 天实际付款。因此，这些日子的间隔不规则，在某些日子出现不止一份合同付款，而在其他日子出现零付款。

我遇到的主要问题是这些时间序列对象在接收不定期发生的每日数据时表现出的残酷固执。我什至将付款合并到一个连续的日期向量中，但仍然遇到同样的问题，即频率、周期或 order.by。

CTS_date_V <- data.frame(Date = seq(as.Date("2000/07/01"), as.Date("2014/12/31"), "days"))
exp_d <- merge(exp, CTS_date_V, by="Date", all.y = T)
exp_d$Amount[is.na(exp_d$Amount)] <- 0

head(exp_d[,c("Amount","Date")],20)
      Amount       Date
1        0.0 2000-07-01
2        0.0 2000-07-02
3        0.0 2000-07-03
4        0.0 2000-07-04
5   269909.4 2000-07-05
6   130021.9 2000-07-06
7  1454135.3 2000-07-06
8   140065.5 2000-07-07
9        0.0 2000-07-08
10       0.0 2000-07-09
11       0.0 2000-07-10
12  274147.2 2000-07-11
13  106959.2 2000-07-11
14  119208.6 2000-07-12
15       0.0 2000-07-13
16       0.0 2000-07-14
17       0.0 2000-07-15
18  125402.5 2000-07-16
19 1170603.1 2000-07-16
20 1908463.3 2000-07-16

我熟悉的大多数预测包（以及迄今为止我发现的关于 SO 提出的任何问题），如 fpp、预测、timeSeries、tseries、xts 等，都需要更有序的日期功能order.by或一些其他类似的担忧。

我担心的是 R 包的适当性，而不是统计方法。例如，我尝试了几种不同的方法来构建预测包所需的时间序列对象，包括 XTS、TS，它们都存在频率、周期性或要求排序的问题。 .

更新：

我用

exp_xts <- xts(exp_d$Amount, start = min(exp$Date), end = max(exp$Date), order.by=exp_d$Date, colnames = "Amount", frequency = "") 

head(exp_xts,15)
                [,1]
2000-07-01       0.0
2000-07-02       0.0
2000-07-03       0.0
2000-07-04       0.0
2000-07-05  269909.4
2000-07-06  130021.9
2000-07-06 1454135.3
2000-07-07  140065.5
2000-07-08       0.0
2000-07-09       0.0
2000-07-10       0.0
2000-07-11  274147.2
2000-07-11  106959.2
2000-07-12  119208.6
2000-07-13       0.0

没有问题，并且可以plot.xts()编辑该对象，但是当我尝试时

fit_xts <- stl(exp_xts, s.window="periodic",robust = T)

是说

Error in if (frequency > 1 && abs(frequency - round(frequency)) < ts.eps) frequency <- round(frequency) : missing value where TRUE/FALSE needed`
4

2 回答 2

2

我尝试在 R 中使用时间序列对象进行kaggle 比赛。我发现使用各种时间序列预测方法进行时间序列预测对我来说效果不佳。对我有用的是创建一个正常的标准 R 数据框，并基于上下文数据创建一个神经网络，例如：温度、星期几、一年中的哪一天、今天是否是假期等等。

这对您意味着什么，因为您没有进行预测，但简单的统计分析是，也许您根本不需要时间序列功能，并且可以简单地使用标准的“R”数据框？

最后我排在第 9位，使用标准数据框和神经网络，没有时间序列的东西 :-)

于 2015-02-20T01:42:18.677 回答
1

我认为这可能与我最近遇到的以下问题有关。

我尝试在时间序列 ( acf()) 上运行自相关函数。使用 xts/zoo 包将数据转换为合适的时间序列格式。但是，acf()是一个函数，它存在于 R 中而无需安装任何包，因此它被调整为通过更“传统”的函数转换为时间序列的数据，在这种情况下是ts(). 因此，此代码返回与您的情况相同的错误：

ts<- xts(dane.filtered$CRO, dane.filtered$Date_xts)
acf(ts, col="red")

解决方案是使用 R 内置的默认时间序列函数创建时间序列（此代码运行良好）：

ts <- ts(dane.filtered$CRO)
acf(ts, col="red")

希望能帮助到你。

于 2015-04-29T11:06:22.707 回答