基于不规则日期间隔的加权移动平均线答案

【问题标题】：Weighted Moving Average based on Irregular Date Intervals基于不规则日期间隔的加权移动平均线
【发布时间】：2017-07-25 07:01:47
【问题描述】：

我是时间序列的新手，希望有人可以在这里提供一些输入/想法。

我正在尝试寻找估算缺失值的方法。
我希望找到移动平均线，但大多数包（smooth、mgcv、等）似乎没有考虑时间间隔。
例如，数据集可能如下所示，我希望 2016-01-10 的值在计算缺失值时具有最大影响：

Date          Value    Diff_Days
2016-01-01    10       13           
2016-01-10    14       4
2016-01-14    NA       0
2016-01-28    30       14
2016-01-30    50       16

我有一些例子，NA 可能是第一个观察结果或最后一个观察结果。有时 NA 值也会出现多次，此时滚动窗口需要扩大，这就是我想使用移动平均线的原因。
是否有将日期间隔/单独权重考虑在内的软件包？
或者请建议在这种情况下是否有更好的方法来估算 NA 值。

【问题讨论】：

您的时间序列是否需要更平滑？如果没有新的观察结果，您可以用最后观察到的值替换它们（例如，对于日期 2016-01-14，值 14），因为在时间序列中没有真正的信息增益/新闻/创新。
我想获得加权平均值，而不是用之前的值进行估算。也有可能之前的观察记录在 2016-01，下一个值记录在 2016-08，然后是 2016-09，等等

标签： r time-series moving-average

【解决方案1】：

您可以使用glm 或任何不同的模型。

输入

con <- textConnection("Date          Value    Diff_Days
2015-12-14    NA       0
                      2016-01-01    10       13           
                      2016-01-10    14       4
                      2016-01-14    NA       0
                      2016-01-28    30       14
                      2016-02-14    NA       0
                      2016-02-18    NA       0
                      2016-02-29    50       16")

df <- read.table(con, header = T)
df$Date <- as.Date(df$Date)

df$Date.numeric <- as.numeric(df$Date)
fit <- glm(Value ~ Date.numeric, data = df)

df.na <- df[is.na(df$Value),]

predicted <- predict(fit, df.na)
df$Value[is.na(df$Value)] <- predicted

plot(df$Date, df$Value)
points(df.na$Date, predicted, type = "p", col="red")

df$Date.numeric <- NULL
rm(df.na)
print(df)

输出

        Date     Value Diff_Days
1 2015-12-14 -3.054184         0
2 2016-01-01 10.000000        13
3 2016-01-10 14.000000         4
4 2016-01-14 18.518983         0
5 2016-01-28 30.000000        14
6 2016-02-14 40.092149         0
7 2016-02-18 42.875783         0
8 2016-02-29 50.000000        16

【讨论】：

感谢您的回答。这似乎更像是寻找缺失值的线性拟合。一旦我们获得了这些值，您知道我们如何在仍然使用日期作为适当权重的情况下平滑它们吗？
我已经改用广义线性模型，变得更好了。您可以尝试其他模型。