ฉันต้องการรวมการคาดการณ์และการย้อนกลับ (กล่าวคือค่าที่ผ่านมาที่คาดการณ์) ของข้อมูลอนุกรมเวลาที่ตั้งค่าไว้ในอนุกรมเวลาหนึ่งโดยลดข้อผิดพลาดการคาดคะเนค่าเฉลี่ยกำลังสองลง
สมมติว่าฉันมีอนุกรมเวลาตั้งแต่ 2001-2010 โดยมีช่องว่างสำหรับปี 2550 ฉันสามารถคาดการณ์ปี 2007 โดยใช้ข้อมูล 2001-2007 (เส้นสีแดง - เรียกว่า ) และกลับโดยใช้ข้อมูล 2008-2009 (สีน้ำเงินอ่อน) สาย - เรียกมันว่า )Y b
ฉันต้องการรวมจุดข้อมูลของและเป็นจุดข้อมูลที่ระบุ Y_i ในแต่ละเดือน จะเป็นการดีที่ฉันต้องการที่จะได้รับน้ำหนักดังกล่าวว่าจะช่วยลดข้อผิดพลาดในการทำนาย Mean Squared (MSPE) ของY_iหากเป็นไปไม่ได้ฉันจะหาค่าเฉลี่ยระหว่างจุดข้อมูลของอนุกรมเวลาสองชุดได้อย่างไรY b w Y i
เป็นตัวอย่างรวดเร็ว:
tt_f <- ts(1:12, start = 2007, freq = 12)
tt_b <- ts(10:21, start=2007, freq=12)
tt_f
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2007 1 2 3 4 5 6 7 8 9 10 11 12
tt_b
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2007 10 11 12 13 14 15 16 17 18 19 20 21
ฉันต้องการได้รับ (เพียงแสดงค่าเฉลี่ย ... การย่อ MSPE ให้น้อยที่สุด)
tt_i
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2007 5.5 6.5 7.5 8.5 9.5 10.5 11.5 12.5 13.5 14.5 15.5 16.5
predict
ฟังก์ชั่นของแพ็คเกจพยากรณ์ อย่างไรก็ตามฉันคิดว่าฉันจะใช้โมเดลการคาดการณ์ของ HoltWinters เพื่อทำนายและย้อนกลับ ฉันมีอนุกรมเวลาที่มี <น้อยกว่า 50 ครั้งและลองการพยากรณ์การถดถอยของปัวซอง - แต่ด้วยเหตุผลบางอย่างที่การคาดการณ์ที่อ่อนแอมาก
NA
ค่าหรือไม่ ดูเหมือนว่าการทำให้ช่วงเวลาการเรียนรู้ MSPE อาจทำให้เข้าใจผิดเนื่องจากช่วงย่อย 'ได้รับการอธิบายอย่างดีจากแนวโน้มเชิงเส้น แต่ในช่วงเวลาที่พลาดไปมีการหล่นลงที่ไหนสักแห่งที่เกิดขึ้นจริง ๆ แล้วมันอาจเป็นประเด็นใด ๆ โปรดทราบว่าเนื่องจากการคาดการณ์นั้นมีแนวโน้มเป็นแนวตั้งค่าเฉลี่ยของพวกเขาจะแนะนำการแบ่งโครงสร้างสองครั้งแทนที่จะเป็นครั้งเดียว