我希望用季节性较大的组件来分解每日销售数据（为ARIMA流程制定365天的季节性时间太长）。但是，时间序列的某些部分由其他因素解释，包括影响数据的常规营销事件。我想以类似于在ARIMA中包含外生变量的方式使用R的stl函数，但我没有看到任何将外生变量放入混合的地方。相反，我在单独的回归中将外生变量应用于“余数”部分，但担心stl所带来的季节性因为所述常规营销事件而错误。
有关如何解决此问题的任何建议？
答案 0 :(得分：2)
STL有点受限，因为它一次只处理一种季节性，你可能有两个季节性（每周和每年）。此外，它不允许外生变量。
一种可能的方法是使用具有ARMA误差的回归模型，其中数据的季节周期设置为7（对于每周季节性）。您可以使用傅立叶项（http://robjhyndman.com/hyndsight/longseasonality/）作为回归变量来处理年度季节性。可以使用xreg参数中包含的虚拟变量来处理市场营销事件。您甚至可以使用forecast包中的auto.arima来选择错误的顺序，包括是否需要允许每周季节性。只需使用傅立叶项和虚拟变量设置xreg，然后调用
auto.arima(y, xreg=xreg)
使用傅立叶级数处理季节性假设它的形状不变。但是，除非你有多年的数据，否则这不是一个真正的问题，因为它不太可能在不到20年的时间内改变形状，并且ARIMA错误将在任何情况下针对小的变化进行调整。
如果数据中存在显着趋势，您还应该在模型的回归部分中允许这样做。添加一些B样条词应该可以处理它。
答案 1 :(得分：1)
我可以推荐Hyndman在cran上的预测包。在那里，蝙蝠或tbats模型应该允许复杂的季节性和代表营销事件的虚拟变量。