通过 bsts 估算时间序列中的缺失值答案

【问题标题】：Impute missing values in timeseries via bsts通过 bsts 估算时间序列中的缺失值
【发布时间】：2019-06-22 13:42:52
【问题描述】：

我处理一个包含大约 20% 缺失数据（长度不一）的分钟时间序列。

AFAIK 贝叶斯方法可以优雅地处理缺失数据，我想尝试拟合贝叶斯时间序列模型，然后使用贝叶斯模型估算或提取缺失值（理想情况下返回一个可信区间为好）。

我希望将模型拟合到整个数据集，包括缺失的数据点，然后以某种方式同时估算值 - 避免滚动多水平预测的复杂性（和计算成本）。我目前正计划使用“bsts”包进行插补，但我也愿意接受其他选择。

（我尝试过 forecast::na.imp 和 imputeTS::na.seadec 进行插补，但我希望通过包含外部回归器来进一步提高插补的准确性）

正如您在下面看到的，我还无法提取没有缺失值的时间序列。

library(magrittr)
library(bsts)

# Load data
data(iclaims)
claims_nsa <- initial.claims$iclaimsNSA

# Create missing values
n <- length(claims_nsa)
na_pos <- 1:n %>%
  sample(size = 1/ 5 * n)
claims_nsa[na_pos] <- NA

# Fit Model
ss <- AddLocalLinearTrend(list(), claims_nsa)
ss <- AddSeasonal(ss, claims_nsa, nseasons = 52)
model1 <- bsts(claims_nsa,
               state.specification = ss,
               niter = 100,
               model.options = BstsOptions(save.full.state = TRUE))

# Fiddle around with model object
predict.bsts(model1, h=10)
str(model1)
model1$full.state %>% str()

【问题讨论】：

标签： r time-series missing-data imputation

【解决方案1】：

我真的不知道，我在做什么，但这似乎工作正常：

我认为，我可能必须在 mcmc 样本中汇总来自模型对象的状态贡献等。确切的过程可能取决于模型的顺序左右。

model1$state.contributions %>% 
  apply(c(2, 3), median) %>% 
  colSums()

这似乎汇总了 mcmc 迭代的实现。

【讨论】：

【解决方案2】：

你试过老鼠包吗？

library(mice)

mice_mod <- mice(YourDataFrame[,VariablesYouWantToUseForImputationAndTheVariablesYouWantToImpute]
                   , method='norm')

范数是贝叶斯线性回归

【讨论】：

谢谢你 afaik 鼠标包没有考虑数据的时间序列结构？