如何在时间分解中结合低频和高频时间序列

Question

我正在使用 tempdisagg 包处理时间序列数据（Python 中有一个类似的包：https://github.com/jstephenj14/timedisagg）。

使用此软件包，您可以轻松地将低频时间序列（在我的情况下为每年）转换为高频时间序列（在我的情况下为每月）。

例如：

library(tempdisagg)
year_sums <- c(400, 450, 500, 800, 1000, 600)  
low_freq_ts = ts(year_sums, frequency = 1, start=2018, end=2023)

model <- td(low_freq_ts ~ 1, conversion = "sum", to = "monthly",
            method = "denton-cholette")
high_freq_ts = predict(model)

我现在的问题是，如何考虑现有的高频时间序列。

例如：

historic_ts <- c(3, 5, 6, 7, 5, 9, 10, 14, 17, 20, 19, 22)
historic_high_freq_ts = ts(historic_ts, frequency = 12, 
                           start = c(2017,1), end = c(2017, 12))

最后我想得到一个平滑的高频时间序列，包括未触及的原始高频数据和分解值。

如果我只将历史值和预测值粘在一起，我会得到一些我不想得到的东西：

    plot(ts(
  c(historic_high_freq_ts, high_freq_ts)
  , frequency = 12
  , start = c(2017,1)
  , end = c(2023, 12)
)
)

所以，最终disagg函数应该考虑历史趋势；我怎样才能做到这一点？

---

更广泛的应用是当我们的高频（HF）数据集可能包含多年记录（例如2017-2024）时，它是低频（LF）数据的函数（例如HF数据：通货膨胀，LF数据：货币）供应）。

我们如何通过统计稳健的方法将 HF 数据的趋势应用到 LF 数据上（将其分解为更小的时间步长）？

Answer 1

不幸的是，在问题中提出的情况下，您无能为力：1.因为两个时期没有共同点， 2.并且每个数据集的来源都不同（例如通货膨胀和GPD）。

总结一下你拥有的数据

• 一些HF数据，如美元汇率或通货膨胀率，每月一个点，从2017年1月到2017年12月每个月采集；
• GDP等LF数据，每年一个点，从2018年开始一直持续到2023年；

如果数据来自同一来源：

• 如果数据来源相同 - 您可以简单地对 2017 年数据进行求和以获得年度汇总并将其放入第一个模型

  td(low_freq_ts ~ 1,...)

如果数据有任何共同的时间段： 选项 1 - 假设数据是相关的，但通货膨胀的 LF 部分并不能很好地代表 GPD 的 LF 部分：

• 进行贝叶斯回归（如果点数非常少，效果会非常好）。其中之一就是 facebook prohet。

选项 2 - 假设数据是相关的，并且通货膨胀的 LF 部分确实可以很好地代表 GPD 的 LF 部分：

• 使用 tempdisagg 或任何其他进行快速傅里叶变换的包提取通货膨胀的 LF 部分
• 使用共同周期重新调整并将通货膨胀的 LF 部分向上/向下移动到 GDP 的 LF 部分。

请。如果上述任何内容有意义，请告诉我，然后我们可能会找到更适合您的情况的 R/Python 包。