使用多个回归器预测每周时间序列数据答案

【问题标题】：Forecasting Weekly Time-Series Data with Multiple Regressors使用多个回归器预测每周时间序列数据
【发布时间】：2019-03-11 20:22:35
【问题描述】：

我想知道如何调整 Rob Hyndman 在 this blog post 中对傅立叶项的使用，以使用额外的回归量预测每周时间序列数据。下面是我的尝试，但我得到一个错误读取 xreg is rank deficient

library(forecast)
gascsv <- read.csv("https://robjhyndman.com/data/gasoline.csv", header=FALSE)[,1]
gas<- ts(gascsv[1:300], freq=365.25/7, start=1991+31/365.25)
#assume that gasreg is an additional regressor used to forecast gas
gasreg <- ts(gascsv[301:600], freq=365.25/7, start=1991+31/365.25)


bestfit <- list(aicc=Inf)
for(i in 1:25){
  for(j in 1:25){
    fit <- auto.arima(gas, xreg=cbind(fourier(gas, K=i),fourier(gasreg,K=j)), seasonal=FALSE)
    if(fit$aicc < bestfit$aicc){
      bestfit <- fit
      k <-i
      l <- j 
      }
    else break;
  }
}

谢谢！

编辑：在网上进行了一些额外的挖掘之后，我发现了一些似乎有用的材料。 Another of Rob's blog posts 使用一组傅立叶项和一个虚拟变量作为回归量。 This post on kaggle（参见 3. ARIMA 模型）以与我正在做的非常相似的方式使用多个傅立叶项，尽管我仍然收到 xreg is rank deficient 错误。这可能是因为gasreg 与gas 的数据相同吗？

【问题讨论】：

标签： r time-series regression arima forecast

【解决方案1】：

fourier(gas, K=i) 和fourier(gasreg,K=j) 产生相同的傅立叶集- 我相信fourier() 的结果仅取决于时间序列的长度，而不取决于内容。秩不足错误是由两次使用相同的回归量引起的。我觉得不需要输入两次傅立叶级数，下面的代码似乎就足够了。

bestfit <- list(aicc=Inf)
for(i in 1:25){
  for(j in 1:25){
    fit <- auto.arima(gas, xreg=cbind(fourier(gas, K=i),gasreg), seasonal=FALSE)
    if(fit$aicc < bestfit$aicc){
      bestfit <- fit
      k <-i
      }
    else break;
  }
}

【讨论】：