Question

我有一个零值的每日销售数据（到节假日和周日），我想应用boxCox.lambda()函数，但是很明显，零值是不可能的。 Mi选项实际上是：

1-通过接近零的值更改零值，但我不知道这会如何影响我的预测。

任何建议，我将不胜感激。

这是我的数据

Answer 1

我建议您从数据中删除所有星期日。我们知道它们将始终为零，因此花时间和精力来预测它们是没有意义的。

即使删除了它们，其周期性也非常强，并且通过查看acf图等来诊断数据更加简单。

# Removing every Sunday and creating a ts object of appropriate frequency
x6 <- x[seq_along(x) %% 7 != 0]
x6.ts <- ts(x6, frequency=6)

# Plenty of periodic structure left
par(mfcol=c(2, 1))
sp <- split(x6.ts, (seq_along(x6.ts)-1) %% 6 + 1)
stripchart(sp, vertical=TRUE, col=rainbow(6, alpha=0.2, start=0.97), pch=16,
  method="jitter", group.names=c("Mon", "Tue", "Wed", "Thu", "Fri", "Sat"))
plot.default(x6.ts, type="p", pch=16, col=rainbow(6, alpha=0.6, start=0.97))

我们可以f.ex应用SARIMA模型

acf(x6.ts, adj=c(0.5))
title("x6.ts", cex.main=0.9)

acf(diff(x6.ts, lag=6))
title("diff(x6.ts, lag=6)", cex.main=0.9)

我看到那里有季节性的随机游走，一旦我们取得了季节性差异，我们就会发现至少有几个季节性自回归成分，也许是非季节性自回归。

aa6.1 <- arima(x6.ts, order=c(0, 0, 0), seasonal=c(1, 1, 0))
aa6.2 <- arima(x6.ts, order=c(0, 0, 0), seasonal=c(2, 1, 0))
aa6.3 <- arima(x6.ts, order=c(1, 0, 0), seasonal=c(2, 1, 0))
aa6.4 <- arima(x6.ts, order=c(1, 0, 0), seasonal=c(3, 1, 0))

dummy11 <- model.matrix(~ as.factor(seq_along(x6.ts) %% 11))[,2]
aa6.5 <- arima(x6.ts, order=c(1, 0, 0), seasonal=c(3, 1, 0),
  xreg=dummy11)


AIC(aa6.1, aa6.2, aa6.3, aa6.4, aa6.5)
#       df      AIC
# aa6.1  2 5244.846
# aa6.2  3 5195.019
# aa6.3  4 5192.212
# aa6.4  5 5179.310
# aa6.5  6 5164.567

acfr <- function(x){
    a <- acf(residuals(x), plot=FALSE)
    a$acf[1, 1, 1] <- 0
    plot(a, main="", frame.plot=FALSE, ylim=c(-0.2, 0.2))
    mod <- paste(paste(names(x$call), 
      as.character(x$call), sep="=")[-1], collapse=", ")
    text(-0.1, 0.19, pos=4, xpd=NA,
      paste0("AIC: ", round(x$aic), "\n", "Mod: ", mod))
}

par(mfcol=c(5, 1))
k <- lapply(list(aa6.1, aa6.2, aa6.3, aa6.4, aa6.5), acfr)

似乎（1 0 0）（3 1 0）[6]做得不错，但是在滞后11时存在持续的自相关。这是消除周日的伪像，但是我们可以通过添加一个假人的外部回归器。

每天零数据的Box Cox转换

1 个答案: