Question

我尝试使用类似https://otexts.com/fpp2/lagged-predictors.html中的auto.arima示例的方法，并注意到根据是否显式指定（所有）数据行，我得到不同的结果。 MWE：

library(forecast); library(fpp2)
nrow(insurance)
auto.arima(insurance[,1], xreg=insurance[,2], stationary=TRUE)
auto.arima(insurance[1:40,1], xreg=insurance[1:40,2], stationary=TRUE)

nrow(insurance)显示有40行，因此我认为insurance[,1]与insurance[1:40,1]相同，第二列也类似。但是，第一种方法导致“具有ARIMA（3,0,0）错误的回归”，而第二种方法导致“具有ARIMA（1,0,2）错误的回归”。

为什么这些看似等效的调用会导致选择的模型不同？

Answer 1

请注意，insurance[,1]有标签，而insurance[1:40,1]没有标签。如果您通过as.numeric(insurance[,1])，您实际上会收到“ ARIMA（1,0,2）”。因此，我敢打赌，它与第一个参数是否带有标签有关...也请注意，xreg=insurance[,2]或xreg=insurance[1:40,2]都可以起作用

Answer 2

科里在正确的方向上微调了我：insurance[,1]是一个“时间序列”，而insurance[1:40,1]是一个数字。也就是说，is.ts(insurance[,1])是TRUE，而is.ts(insurance[1:40,1])是FALSE。 forecast程序包具有一个subset函数，该函数保留了时间序列结构，因此is.ts(subset(insurance[,1],start=1,end=40))是TRUE并且

auto.arima(subset(insurance[,1],start=1,end=40), 
           xreg=subset(insurance[,2],start=1,end=40), stationary=TRUE)

与我的问题的第一个版本（使用insurance[,1]和insurance[,2]）输出相同的结果。

尽管我不明白，但我认为这至少可以从表面上解释“为什么” 1）为什么时间序列结构会在这里更改结果（因为所选模型似乎没有任何季节性？），以及 2）为什么在链接的示例中，Hyndman使用insurance[4:40,1]包中的subset()而不是他自己的forecast函数？我将等着看是否有人想回答那些“更深层次的”问题，否则我可能会接受这个答案。

auto.arima（）在给定相同数据的情况下似乎选择了不同的模型

2 个答案: