时间序列建模与不规则数据

Question

我目前正在开展一个宠物项目,从历史基础油价预测未来的基础油价格.数据是每周一次,但在价格缺失之间有一段时间.

我对使用完整数据建模时间序列有点不错,但是当涉及到不规则数据时,我学到的模型可能不适用.我是否使用xts类并以常规方式在R中继续使用ARIMA模型？

在建立预测未来价格的模型后,我想考虑原油价格波动,柴油利润率,汽车销售,经济增长等(多变量？)来提高准确性.有人可以说明如何以有效的方式实现这一目标吗？在我看来,它看起来像一个迷宫.

编辑:修剪数据:https : //docs.google.com/document/d/18pt4ulTpaVWQhVKn9XJHhQjvKwNI9uQystLL4WYinrY/edit

编码:

Mod.fit<-arima(Y,order =c(3,2,6), method ="ML")

结果:警告消息:在日志(s2)中:生成NaN

这个警告会影响我的模型准确度吗？

由于缺少数据,我无法使用ACF和PACF.有没有更好的方法来选择模型？我使用AIC(Akaike的信息准则)来比较使用该代码的不同ARIMA模型.ARIMA(3,2,6)给出了最小的AIC.

编码:

AIC<-matrix(0,6,6)
for(p in 0:5)
for(q in 0:5)
{
mod.fit<-arima(Y,order=c(p,2,q))
AIC[p+1,q+1]<-mod.fit$aic
p
}
AIC

结果:

              [,1]     [,2]     [,3]     [,4]     [,5]     [,6] 
    [1,] 1396.913 1328.481 1327.896 1328.350 1326.057 1325.063 
    [2,] 1343.925 1326.862 1328.321 1328.644 1325.239 1318.282 
    [3,] 1334.642 1328.013 1330.005 1327.304 1326.882 1314.239 
    [4,] 1336.393 1329.954 1324.114 1322.136 1323.567 1316.150 
    [5,] 1319.137 1321.030 1320.575 1321.287 1323.750 1316.815 
    [6,] 1321.135 1322.634 1320.115 1323.670 1325.649 1318.015

Answer 1

一般而言，您不需要先使用xts然后再执行ARIMA，就不需要额外的步骤了。缺失值记录NA为由处理arima()，如果使用method = "ML"则将准确处理；其他方法可能无法获得丢失数据的创新。之所以arima()可行，是因为将ARIMA模型拟合为状态空间表示形式。

如果数据是常规数据但缺少数据，则上述方法应该可以。

我说一般不使用xts的原因只是arima()需要单变量时间序列对象?ts作为其输入。但是，xts扩展并继承自Zoo对象，并且Zoo包确实为as.ts()class对象提供了一种方法"zoo"。因此，如果将数据放入zoo()或xts()对象中，则可以强制进行类化"ts"，并且应NA在适当的位置包含，然后arima()将在适当的位置进行处理（即，没有太多的缺失值）。