当我在ts object中阅读时间序列并输入句点时：
tr <- ts(data[,4],frequency=)。这适用于两个不同的时期并完美分解以显示（向下）趋势，季节性和错误。我怎么知道哪个是正确的时期。
当我在上述ts对象的ETS包中使用STLF或forecast函数时，摘要显示：模型信息：ETS(A,N,N)为什么那？我们这里有季节性+趋势组件吗？
当训练集为非负值且负值无效时，我们可以做些什么来处理负值。
答案 0 :(得分：1)
正确的期限取决于数据生成过程。例如，如果您正在查看由消费者习惯驱动的月度数据，那么，如果我们假设消费者行为会根据全年不断变化的情况而波动，因为数据是按月计算的，12可能是一个很好的选择频率。重要的是要记住周期性是乘法的。例如，如果12和24工作，我会选择12.如果你有季度数据，那么4可能是一个很好的选择频率。或者，如果您正在查看某些物理过程，例如引擎中的温度，并且您有毫秒数据，则适当的周期可能是每转的毫秒数。
最后两个N的意思是＆＃34;没有。＆＃34;我无法说出为什么你认为有季节性成分而ets没有。从帮助文件：
通常使用三字符串识别方法 Hyndman等人的框架术语。 （2002）和Hyndman等。 （2008年）。第一个字母表示错误类型（＆＃34; A＆＃34;，＆＃34; M＆＃34;或＆＃34; Z＆＃34;）;该 第二个字母表示趋势类型（＆＃34; N＆＃34;，＆＃34; A＆＃34;，＆＃34; M＆＃34;或＆＃34; Z＆＃34;）;和 第三个字母表示季节类型（＆＃34; N＆＃34;，＆＃34; A＆＃34;，＆＃34; M＆＃34;或＆＃34; Z＆＃34;）。在所有 案例，＆＃34; N＆＃34; =无，＆＃34; A＆＃34; =添加，＆＃34; M＆＃34; =乘法和 ＆＃34; Z＆＃34; =自动选择。所以，例如，＆＃34; ANN＆＃34;很简单 具有加性误差的指数平滑，＆＃34; MAM＆＃34;是乘法的 霍尔特 - 温特斯＆＃39;具有乘法误差的方法，等等。
模型也可能属于＆＃34; ets＆＃34;，并且等于 之前调用ets的输出。在这种情况下，相同的模型 适用于y而不重新估计任何平滑参数。看到 还有use.initial.values参数。
您对底片的处理取决于数据生成过程。如果，一旦预测变量达到零，过程停止（即你有一个吸收状态），那么也许你可以将这些预先设定的值设置为零。但是，如果您认为向下移动变得越来越小，那么您可能需要更改模型以反映这一点。设置lambda=0将是一个良好的开端，相当于采用对数。这将使模型成倍增加。但是，一般来说，如果您的预测变得不利而且您知道这是不可能的，那么您的数据生成过程模型可能是错误的。