Auto Arima in R error: сезонная разница не выбрана

Question

Я работаю над созданием модели прогнозирования для своей компании с использованием пакета auto.arima в R.

Каждый раз, когда я запускаю модель, получаю эту ошибку и не могу найти какие-либо ресурсы о том, чтоделать об этом

Warning in value[[3L]](cond): The chosen test encountered an error, so no seasonal differencing is selected. Check the time series data.

Кто-нибудь знает значение этой ошибки?Для чего я проверяю данные временных рядов?Любая помощь будет принята с благодарностью. Я искал ответы на этот вопрос в Интернете и ничего не нашел.

Вот код, который я использую, я не могу опубликовать данные, потому что это конфиденциально.Но у меня есть сотни временных рядов продаж для разных стилей, суммированных по неделям

library(forecast)

new <- split(fctts, fctts$opt)

mod1 <- lapply(new, function(x) ts(x$sales, frequency = 52))

mod <- lapply(mod1, function(x) auto.arima(x))

res <- mapply(function(mod, new) forecast(mod, h = 12), mod, new)

forecasts <- lapply(apply(res,2,list), function(x) x[[1]]$mean)

SAMPLE DATA:

fctts <- read.table(text='
_week   opt sales 
4/30/2017   Style_A 13
5/7/2017    Style_A 13
5/14/2017   Style_A 13
5/21/2017   Style_A 12
5/28/2017   Style_A 8
6/4/2017    Style_A 17
6/11/2017   Style_A 10
6/18/2017   Style_A 8
6/25/2017   Style_A 8
7/2/2017    Style_A 10
7/9/2017    Style_A 9
7/16/2017   Style_A 11
7/23/2017   Style_A 7
7/30/2017   Style_A 5
8/6/2017    Style_A 15
8/13/2017   Style_A 23
8/20/2017   Style_A 20
8/27/2017   Style_A 24
9/3/2017    Style_A 45
9/10/2017   Style_A 39
9/17/2017   Style_A 28
9/24/2017   Style_A 22
10/1/2017   Style_A 51
10/8/2017   Style_A 43
10/15/2017  Style_A 28
10/22/2017  Style_A 30
10/29/2017  Style_A 40
11/5/2017   Style_A 14
11/12/2017  Style_A 44
11/19/2017  Style_A 14
11/26/2017  Style_A 28
12/3/2017   Style_A 31
12/10/2017  Style_A 15
12/17/2017  Style_A 23
12/24/2017  Style_A 11
12/31/2017  Style_A 12
1/7/2018    Style_A 15
1/14/2018   Style_A 21
1/21/2018   Style_A 23
1/28/2018   Style_A 20
2/4/2018    Style_A 27
2/11/2018   Style_A 33
2/18/2018   Style_A 24
2/25/2018   Style_A 31
3/4/2018    Style_A 35
3/11/2018   Style_A 19
3/18/2018   Style_A 37
3/25/2018   Style_A 47
4/1/2018    Style_A 32
4/8/2018    Style_A 52
4/15/2018   Style_A 44
4/22/2018   Style_A 33
4/29/2018   Style_A 52
5/6/2018    Style_A 31
10/8/2017   Style_B 4
10/15/2017  Style_B 4
10/22/2017  Style_B 6
10/29/2017  Style_B 8
11/5/2017   Style_B 1
11/12/2017  Style_B 7
11/19/2017  Style_B 2
11/26/2017  Style_B 2
12/3/2017   Style_B 5
12/10/2017  Style_B 1
12/17/2017  Style_B 4
12/24/2017  Style_B 3
12/31/2017  Style_B 2
1/7/2018    Style_B 7
1/14/2018   Style_B 4
1/21/2018   Style_B 10
1/28/2018   Style_B 4
2/4/2018    Style_B 8
2/11/2018   Style_B 6
2/18/2018   Style_B 9
2/25/2018   Style_B 10
3/4/2018    Style_B 18
3/11/2018   Style_B 9
3/18/2018   Style_B 14
3/25/2018   Style_B 24
4/1/2018    Style_B 5
4/8/2018    Style_B 12
4/15/2018   Style_B 9
4/22/2018   Style_B 15
4/29/2018   Style_B 16
5/6/2018    Style_B 15
4/30/2017   Style_C 7
5/7/2017    Style_C 1
5/14/2017   Style_C 0
5/21/2017   Style_C 5
5/28/2017   Style_C 1
6/4/2017    Style_C 1
6/11/2017   Style_C 5
6/18/2017   Style_C 1
6/25/2017   Style_C 1
7/2/2017    Style_C 0
7/9/2017    Style_C 2
7/16/2017   Style_C 3
7/23/2017   Style_C 6
7/30/2017   Style_C 2
8/6/2017    Style_C 5
8/13/2017   Style_C 14
8/20/2017   Style_C 7
8/27/2017   Style_C 1
9/3/2017    Style_C 1
9/10/2017   Style_C 7
9/17/2017   Style_C 0
9/24/2017   Style_C 2
10/1/2017   Style_C 5
10/8/2017   Style_C 2
10/15/2017  Style_C 0
10/22/2017  Style_C 2
10/29/2017  Style_C 1
11/5/2017   Style_C 1
11/12/2017  Style_C 1
11/19/2017  Style_C 4
11/26/2017  Style_C 13
12/3/2017   Style_C 4
12/10/2017  Style_C 7
12/17/2017  Style_C 5
12/24/2017  Style_C 2
12/31/2017  Style_C 4
1/7/2018    Style_C 6
1/14/2018   Style_C 4
1/21/2018   Style_C 7
1/28/2018   Style_C 5
2/4/2018    Style_C 19
2/11/2018   Style_C 45
2/18/2018   Style_C 33
2/25/2018   Style_C 37
3/4/2018    Style_C 36
3/11/2018   Style_C 44
3/18/2018   Style_C 22
3/25/2018   Style_C 54
4/1/2018    Style_C 35
4/8/2018    Style_C 41
4/15/2018   Style_C 26
4/22/2018   Style_C 25
4/29/2018   Style_C 52
5/6/2018    Style_C 37
', header=TRUE)

Answer 1

Применить, как показано ниже:

 mod <- lapply(mod1, function(x) auto.arima(x, seasonal = F))

Answer 2

Это предупреждение (не ошибка) информирует вас о том, что тест корневого элемента сезонной единицы (используемый для выбора количества сезонных разниц D) дал ошибку.

По общему признанию, сообщение не очень информативно, почемуэто случилосьВ вашем случае декомпозиция STL не может быть выполнена, потому что ваши данные содержат менее двух сезонных окон.Для этого необходимо использовать значения nsdiffs(y, test = "seas") или auto.arima(y, seasonal.test = "seas"), которые по умолчанию установлены.

Для наборов данных без полного сезонного периода можно рассмотреть возможность не использовать модели SARIMA, установив seasonal = FALSE в auto.arima()..

Я улучшил это сообщение и теперь также включаю сообщение об ошибке, объясняющее, почему тест не пройден: https://github.com/robjhyndman/forecast/commit/eebea5ee93cd8b125d5220c54721895b57396157

library(forecast)

new <- split(fctts, fctts$opt)

mod1 <- lapply(new, function(x) ts(x$sales, frequency = 52))

mod <- lapply(mod1, function(x) auto.arima(x))
#> Warning: The chosen seasonal unit root test encountered an error when testing for the first difference.
#> From stl(): series is not periodic or has less than two periods
#> 0 seasonal differences will be used. Consider using a different unit root test.

#> Warning: The chosen seasonal unit root test encountered an error when testing for the first difference.
#> From stl(): series is not periodic or has less than two periods
#> 0 seasonal differences will be used. Consider using a different unit root test.

res <- mapply(function(mod, new) forecast(mod, h = 12), mod, new)

forecasts <- lapply(apply(res,2,list), function(x) x[[1]]$mean)

^{Создано в 2019-04-24 представительный пакет (v0.2.1)}