使用不规则数据进行时间序列建模

Question

我目前正在从事一个宠物项目，以根据历史基础油价格预测未来的基础油价格。数据是每周一次，但在这之间的某些时期价格缺失。

我对使用完整数据建模时间序列有点没问题，但是当涉及到不规则的时间序列时，我学到的模型可能不适用。我是否使用 xts 类并以通常的方式在 R 中处理 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、汽车销量、经济增长等因素（多变量？）以提高准确性。有人可以阐明我如何以有效的方式做到这一点吗？在我看来，它就像一个迷宫。

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

编码：

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

结果： 警告信息： 在 log(s2) 中：产生了 NaNs

此警告会影响我的模型准确性吗？

由于缺少数据，我无法使用 ACF 和 PACF。有没有更好的选择模型的方法？我使用 AIC（Akaike 的信息标准）来比较使用此代码的不同 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

不，通常您不需要使用 xts 然后执行 ARIMA，这需要一个额外的步骤。记录为NA 的缺失值由arima() 处理，如果使用method = "ML"，则它们将被准确处理；其他方法可能无法获得缺失数据的创新。这是因为arima() 在状态空间表示中拟合了 ARIMA 模型。

如果数据正常但有缺失数据，那么上面的应该没问题。

我说一般不使用 xts 的原因只是 arima() 需要一个单变量时间序列对象 ?ts 作为其输入。但是，xts 扩展和继承自 zoo 对象，zoo 包确实 为对象提供了as.ts() 方法班级"zoo"。因此，如果您将数据放入zoo() 或xts() 对象中，则可以强制转换为"ts" 类，并且应在适当的位置包含NA，然后arima() 将在可以处理的情况下处理（即没有太多的缺失值）。