Question

我想知道如何才能适应罗布·海恩德曼（Rob Hyndman）对this blog post中的傅立叶项的使用，以通过附加回归系数预测每周时间序列数据。以下是我的尝试，但在读取xreg is rank deficient

时出现错误

library(forecast)
gascsv <- read.csv("https://robjhyndman.com/data/gasoline.csv", header=FALSE)[,1]
gas<- ts(gascsv[1:300], freq=365.25/7, start=1991+31/365.25)
#assume that gasreg is an additional regressor used to forecast gas
gasreg <- ts(gascsv[301:600], freq=365.25/7, start=1991+31/365.25)


bestfit <- list(aicc=Inf)
for(i in 1:25){
  for(j in 1:25){
    fit <- auto.arima(gas, xreg=cbind(fourier(gas, K=i),fourier(gasreg,K=j)), seasonal=FALSE)
    if(fit$aicc < bestfit$aicc){
      bestfit <- fit
      k <-i
      l <- j 
      }
    else break;
  }
}

谢谢！

编辑：在网上进行了一些深入的研究之后，我发现一些有用的材料。 Another of Rob's blog posts使用一组傅立叶项以及一个虚拟变量作为回归变量。 This post on kaggle（请参阅3. ARIMA模型）以与我正在执行的方式非常相似的方式使用多个傅立叶项，尽管我仍然收到xreg is rank deficient错误。可能是由于gasreg与气体相同的数据引起的吗？

Answer 1

fourier(gas, K=i)和fourier(gasreg,K=j)产生相同的傅立叶集-我相信fourier()的结果仅取决于时间序列的长度，而不取决于内容。等级不足错误是由两次使用相同的回归变量引起的。我认为我不需要两次输入傅立叶级数，下面的代码似乎足够了。

bestfit <- list(aicc=Inf)
for(i in 1:25){
  for(j in 1:25){
    fit <- auto.arima(gas, xreg=cbind(fourier(gas, K=i),gasreg), seasonal=FALSE)
    if(fit$aicc < bestfit$aicc){
      bestfit <- fit
      k <-i
      }
    else break;
  }
}

使用多个回归预测每周时间序列数据

1 个答案: