为什么tsCV适合用于模型选择算法，如etsauto.arima？

Question

在Rob Hyndman的书中，Rob描述了使用tsCV来评估auto.arima和ets返回的模型的预测准确性。

这更多的是一个概念性的问题，但我查看了tsCV的底层代码，看到了这个。

   for (i in seq_len(n - 1)) {
        fc <- try(suppressWarnings(forecastfunction(subset(y, 
            start = ifelse(is.null(window), 1L, ifelse(i - window >= 
                0L, i - window + 1L, stop("small window"))), 
            end = i), h = h, ...)), silent = TRUE)
        if (!is.element("try-error", class(fc))) {
            e[i, ] <- y[i + (1:h)] - fc$mean
        }
    }

所以这意味着在预测交叉验证的每一次迭代中 都会有一个新的etsauto. arima被估计出来。在我看来，我看不出这是在评估特定ARIMA或平滑模型的预测精度，因为在时间(t-1)估计的模型将与时间t的最终模型选择不同，谁能解释一下为什么这样可以？

Answer 1

在我的使用案例中，我有一些日常数据，并且在每个周四我想预测下一周的数据，这意味着我想每周只训练一次我的Arima模型，这在默认的tsCV行为下是不可能的（faik，我在R中还很陌生...）。

幸运的是，tsCV允许你传递一个自定义函数。在这个函数中，我只在周四的时候训练一个新的模型。如果是另一天，那么我就重新使用上个周四计算的模型。

也许你可以做一些类似的事情来拥有一个 "修复 "模型？