2

我有一个关于产品销售的每日时间序列,我的系列从 2016 年 1 月 1 日到 2017 年 8 月 31 日开始。

考虑到这是一个为期六天的一周(我的一周从星期一开始到星期六结束),没有星期天的数据,我知道在运行 Arima 模型之前,我需要先填充缺失的值。这是我需要帮助的地方:我读过我可以用na.approxor填充缺失的值NA,但我不知道该怎么做。

你可以在这里看到我的系列:

https://drive.google.com/file/d/0BzIf8XvzKOGWSm1ucUdYUVhfVGs/view?usp=sharing

如您所见,周日没有数据。我需要知道如何填充缺失值以运行 Arima 模型并能够预测 2017 年的剩余时间。

4

2 回答 2

6

以下是三种方法:

library(lubridate)
library(xts)
library(dplyr)
library(forecast)

df$Date = mdy(df$Date)

删除周日:

ts_no_sunday = df %>%
  filter(wday(df$Date) != 1) %>%
  {xts(.$Units, .$Date)}

plot(ts_no_sunday)

no_sunday_arima = auto.arima(ts_no_sunday)

plot(forecast(no_sunday_arima, h = 10))

在此处输入图像描述 在此处输入图像描述

用 NA 替换星期日:

ts_sunday = df %>%
  mutate(Units = replace(Units, which(wday(df$Date) == 1), NA)) %>%
  {xts(.$Units, .$Date)}

plot(ts_sunday)

sunday_arima = auto.arima(ts_sunday)

plot(forecast(sunday_arima, h = 10))

在此处输入图像描述 在此处输入图像描述

插入星期日:

ts_interp = df %>%
  mutate(Units = replace(Units, which(wday(df$Date) == 1), NA),
         Units = na.approx(Units)) %>%
  {xts(.$Units, .$Date)}

plot(ts_interp)

interp_arima = auto.arima(ts_interp)

plot(forecast(interp_arima, h = 10))

在此处输入图像描述 在此处输入图像描述

笔记:

正如人们所看到的,它们产生了不同的预测。这是因为第一个时间序列是不规则的,第二个是具有缺失值的规则时间序列,第三个是具有插值数据的规则时间序列。在我看来,处理缺失值的更好方法是在拟合 ARIMA 之前进行插值,因为 ARIMA 假设时间序列是有规律的间隔的。然而,这也取决于您的“缺失”数据点是否真的缺失,而不是活动停止。前者应该用插值处理,而对于后者,您最好删除星期日并将时间序列视为星期日不存在。

请参阅有关如何处理不存在或丢失的数据? 这在使用带有缺失值和/或不规则时间序列的 R 预测包

于 2017-10-02T04:14:46.683 回答
0

原则上,您可以使用 imputeTS(用于填充 NA)-预测(用于进行预测)组合。

它可以很容易地完成:

library("imputeTS")
library("forecast")
ts_sunday %>% na_kalman() %>% auto.arima() %>% forecast(h=10)

会做这项工作。在这种特定情况下,这将是一个坏主意。如果数据会随机丢失,您可以考虑此解决方案。但事实并非如此——总是缺少星期天。一些时间序列模型也可以处理 NA,并且仍然可以构建模型。(但缺点与之前的解决方案几乎相同)。模型应该如何对待星期日,因为它从来没有被观察到......可能最好的解决方案(从统计角度来看)是什么avid_useR在另一个答案中描述为完全删除星期日。如果您不需要星期天 - 并且无论如何都没有星期天的值,那么只需删除它们。但通常这迟早会导致下一个问题..“如何对待公共假期”——这通常也是不适用的。还要始终牢记您的问题-一种解决方案可能适合一种设置-另一种可能没有意义。

于 2019-10-09T12:54:40.473 回答