我正在构建的因果影响模型遇到了问题。
我正在尝试为一家商店的每日销售情况创建一个反事实(nseasons = 7)。我已包含附近其他 5 家商店的销售额。观察线图,在我看来,15 个月期间的趋势相似。
当我运行因果影响模型时,CI 带非常宽。
对于如何降低 CI 有什么建议吗?除了向模型添加更多时间序列之外还有什么?在贝叶斯模型中拥有广泛的 CI(即可信度与置信度)有多大问题?
这是代码:
CausalImpact(销售,前期,后期,model.args =列表(niter = 1000,nseasons = 7))
任何方向将不胜感激!
您在其他地方得到答案了吗?您可以向
model.args
列表添加一个名为 prior.level.sd
的附加参数。该值通常介于 0.01 和 0.1 之间。将其设置为较低的值可以减少可信区间,但如果您的测试时间序列不稳定,通常建议将其设置为 0.1,这会增加可信区间的宽度。