Как согласовать регрессионную модель с ошибками ARIMA для сезонно скорректированного компонента временного ряда (в R)?

Question

Я хочу сделать эти две вещи (вместе) с временным рядом T:

1. прогнозировать сезонно скорректированный компонент T (STL, используемый для разложения) и «добавить обратно» сезонность (Я предполагаю, что сезонный компонент неизменен, поэтому я использую наивный метод для сезонного компонента)
2. соответствует регрессионной модели с ошибками ARIMA (экзогенные регрессоры включены в формулу)

ВДругими словами, я хочу получать прогнозы, используя сезонно скорректированный компонент T с интеграцией внешнего предиктора и «добавлением» сезонности.

Я могу выполнять эти две операции отдельно, но не могу заставить их работатьв комбинации

Вот несколько игрушечных примеров:

Сначала загрузите библиотеки и данные:

library(forecast)
library(tsibble)
library(tibble)
library(tidyverse)
library(fable)
library(feasts)
library(fabletools)


us_change <- readr::read_csv("https://otexts.com/fpp3/extrafiles/us_change.csv") %>%
  mutate(Time = yearquarter(Time)) %>%
  as_tsibble(index = Time)

Пример соответствия и прогноза с учетом сезонных колебаний компонента T:

model_def = decomposition_model(STL,
                                Consumption  ~ season(window = 'periodic') + trend(window = 13),
                                ARIMA(season_adjust ~ PDQ(0,0,0)),
                                SNAIVE(season_year),
                                dcmp_args = list(robust=TRUE)) 

fit <- us_change %>% model(model_def)

report(fit)

forecast(fit, h=8) %>% autoplot(us_change)

Пример регрессионной модели с ошибками ARIMA (доход в качестве предиктора):

model_def = ARIMA(Consumption ~ Income + PDQ(0,0,0))

fit <- us_change %>% model(model_def)

report(fit)

us_change_future <- new_data(us_change, 8) %>% mutate(Income = mean(us_change$Income))

forecast(fit, new_data = us_change_future) %>% autoplot(us_change)

Эти примеры работают, но я хотел бы сделатьчто-то вроде этого:

model_def = decomposition_model(STL,
                                Consumption  ~ season(window = 'periodic') + trend(window = 13),
                                ARIMA(season_adjust ~ Income + PDQ(0,0,0)),
                                SNAIVE(season_year),
                                dcmp_args = list(robust=TRUE))


fit <- us_change %>% model(model_def)

report(fit)

us_change_future <- new_data(us_change, 8) %>% mutate(Income = mean(us_change$Income))

forecast(fit, new_data = us_change_future) %>% autoplot(us_change)

Я получаю этот вывод в консоли:

> fit <- us_change %>% model(model_def)
Warning message:
1 error encountered for model_def
[1] object 'Income' not found

> 
> report(fit)
Series: Consumption 
Model: NULL model 
NULL model> 

Итак, я попытался сделать это в degposition_model:

model_def = decomposition_model(STL,
                                Consumption  ~ season(window = 'periodic') + trend(window = 13),
                                ARIMA(season_adjust ~ us_change$Income + PDQ(0,0,0)),
                                SNAIVE(season_year),
                                dcmp_args = list(robust=TRUE))

Нет проблем сподходит, но теперь я получаю ошибку в прогнозе:

> forecast(fit, new_data = us_change_future) %>% autoplot(us_change)
Error in args_recycle(.l) : all(lengths == 1L | lengths == n) is not TRUE
In addition: Warning messages:
1: In cbind(xreg, intercept = intercept) :
  number of rows of result is not a multiple of vector length (arg 2)
2: In z[[1L]] + xm :
  longer object length is not a multiple of shorter object length

Что я делаю не так?

Answer 1

Ничего плохого в вашем коде здесь, просто то, что я не считал, люди будут делать при создании decomposition_model(). Я обновил метод моделирования декомпозиции, включив в него экзогенные регрессоры, чтобы их можно было использовать в моделях компонентов (https://github.com/tidyverts/fabletools/commit/8dd505f6378327b8e93b8440ec17ecf9badf2561). Если вы обновите пакет, ваша первая попытка моделирования должна работать нормально.

Какпочему вторая попытка не сработала, метод прогноза находит us_change $ Income и использует его как экзогенный регрессор для будущих прогнозов. Это значение имеет длину us_change, которая не соответствует длине us_change_future, приводя к (сбивающей с толку) ошибке.

---

Представляет:

library(tidyverse)
library(tsibble)
library(fable)
library(feasts)

us_change <- readr::read_csv("https://otexts.com/fpp3/extrafiles/us_change.csv") %>%
  mutate(Time = yearquarter(Time)) %>%
  as_tsibble(index = Time)

model_def = decomposition_model(STL,
                                Consumption  ~ season(window = 'periodic') + trend(window = 13),
                                ARIMA(season_adjust ~ Income + PDQ(0,0,0)),
                                SNAIVE(season_year),
                                dcmp_args = list(robust=TRUE))


fit <- us_change %>% model(model_def)

report(fit)
#> Series: Consumption 
#> Model: STL decomposition model 
#> Combination: season_adjust + season_year
#> 
#> ========================================
#> 
#> Series: season_adjust 
#> Model: LM w/ ARIMA(1,0,2) errors 
#> 
#> Coefficients:
#>          ar1      ma1     ma2  Income  intercept
#>       0.6922  -0.5777  0.1975  0.2035     0.5993
#> s.e.  0.1163   0.1305  0.0755  0.0462     0.0883
#> 
#> sigma^2 estimated as 0.3234:  log likelihood=-157.39
#> AIC=326.77   AICc=327.24   BIC=346.16
#> 
#> Series: season_year 
#> Model: SNAIVE 
#> 
#> sigma^2: 0

us_change_future <- new_data(us_change, 8) %>% mutate(Income = mean(us_change$Income))

forecast(fit, new_data = us_change_future) %>% autoplot(us_change)

^{Создано 2019-10-09 Представить пакет (v0.2.1)}