如何在时间序列的经季节性调整的分量上拟合具有ARIMA误差的回归模型（以R为单位？

Question

我想将这两个事情（与时间序列T结合在一起）：

1. 预测T的经季节性调整的成分（用于分解的STL）并“添加”季节性（假定季节性成分不变，因此对该季节性成分使用朴素方法）
2. 使用ARIMA错误拟合回归模型（公式中包括外生回归变量）

换句话说，我想使用T的经季节性调整的成分来获得预测，该成分整合了外部预测变量并“加回”了季节性。

我可以分别执行这两个操作，但不能将它们组合使用

以下是一些玩具示例：

首先，加载库和数据：

library(forecast)
library(tsibble)
library(tibble)
library(tidyverse)
library(fable)
library(feasts)
library(fabletools)


us_change <- readr::read_csv("https://otexts.com/fpp3/extrafiles/us_change.csv") %>%
  mutate(Time = yearquarter(Time)) %>%
  as_tsibble(index = Time)

具有T的季节性调整分量的拟合和预测示例：

model_def = decomposition_model(STL,
                                Consumption  ~ season(window = 'periodic') + trend(window = 13),
                                ARIMA(season_adjust ~ PDQ(0,0,0)),
                                SNAIVE(season_year),
                                dcmp_args = list(robust=TRUE)) 

fit <- us_change %>% model(model_def)

report(fit)

forecast(fit, h=8) %>% autoplot(us_change)

具有ARIMA错误的回归模型示例（收入作为预测变量：]

model_def = ARIMA(Consumption ~ Income + PDQ(0,0,0))

fit <- us_change %>% model(model_def)

report(fit)

us_change_future <- new_data(us_change, 8) %>% mutate(Income = mean(us_change$Income))

forecast(fit, new_data = us_change_future) %>% autoplot(us_change)

这些示例有效，但我想做这样的事情：

model_def = decomposition_model(STL,
                                Consumption  ~ season(window = 'periodic') + trend(window = 13),
                                ARIMA(season_adjust ~ Income + PDQ(0,0,0)),
                                SNAIVE(season_year),
                                dcmp_args = list(robust=TRUE))


fit <- us_change %>% model(model_def)

report(fit)

us_change_future <- new_data(us_change, 8) %>% mutate(Income = mean(us_change$Income))

forecast(fit, new_data = us_change_future) %>% autoplot(us_change)

我在控制台中获得此输出：

> fit <- us_change %>% model(model_def)
Warning message:
1 error encountered for model_def
[1] object 'Income' not found

> 
> report(fit)
Series: Consumption 
Model: NULL model 
NULL model> 

所以我尝试在分解模型中这样做：

model_def = decomposition_model(STL,
                                Consumption  ~ season(window = 'periodic') + trend(window = 13),
                                ARIMA(season_adjust ~ us_change$Income + PDQ(0,0,0)),
                                SNAIVE(season_year),
                                dcmp_args = list(robust=TRUE))

拟合没有问题，但现在预测中出现错误：

> forecast(fit, new_data = us_change_future) %>% autoplot(us_change)
Error in args_recycle(.l) : all(lengths == 1L | lengths == n) is not TRUE
In addition: Warning messages:
1: In cbind(xreg, intercept = intercept) :
  number of rows of result is not a multiple of vector length (arg 2)
2: In z[[1L]] + xm :
  longer object length is not a multiple of shorter object length

我在做什么错？

Answer 1

这里的代码没问题，只是我在制作decomposition_model()时没有想到的人会做的事情。我已经更新了分解建模方法，以包括外生回归变量，以便可以在组件模型（https://github.com/tidyverts/fabletools/commit/8dd505f6378327b8e93b8440ec17ecf9badf2561）中使用它们。如果您更新软件包，则首次建模应该可以正常进行。