การจัดการกับข้อมูลที่ขาดหายไปในรูปแบบการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล

ดูเหมือนจะไม่มีวิธีมาตรฐานในการจัดการกับข้อมูลที่ขาดหายไปในบริบทของตระกูลแบบจำลองการยกกำลังแบบเอ็กซ์โพเนนเชียล โดยเฉพาะอย่างยิ่งการนำ R ไปใช้นั้นเรียกว่าetsในแพ็คเกจพยากรณ์ดูเหมือนว่าจะใช้องค์ประกอบที่ยาวที่สุดโดยไม่มีข้อมูลหายไปและหนังสือ "การพยากรณ์ด้วยการทำให้เรียบแบบเอ็กซ์โปเนนเชียล" โดย Hyndman et al ดูเหมือนจะไม่พูดคุยเกี่ยวกับข้อมูลที่หายไปเลย

ฉันต้องการเพิ่มอีกเล็กน้อยหากผู้ใช้ของฉันขอให้ฉันอย่างชัดเจน (และหากข้อมูลที่หายไปไม่ได้เกิดขึ้นใกล้กันเกินไปหรือในหลายช่วงเวลาที่ห่างกันหนึ่งฤดูกาล) โดยเฉพาะสิ่งที่ฉันมีในใจคือ ระหว่างการจำลองเมื่อใดก็ตามที่ฉันจะพบค่าที่หายไปผมจะทดแทนการคาดการณ์จุดปัจจุบันสำหรับเพื่อให้0 ตัวอย่างเช่นนี้ทำให้จุดข้อมูลไม่ได้รับการพิจารณาสำหรับกระบวนการปรับพารามิเตอร์ให้เหมาะสม$y_t$$\tilde y_t$$y_t$$\varepsilon_t = 0$

เมื่อฉันมีเหตุผลที่เหมาะสมสำหรับพารามิเตอร์ฉันสามารถประมาณค่าเบี่ยงเบนมาตรฐานของข้อผิดพลาด (สันนิษฐานว่าเป็นเรื่องปกติด้วยค่าเฉลี่ย ) และตรวจสอบว่าการใช้ค่าสำหรับสร้างขึ้นจากการกระจายนั้นไม่ลดความน่าจะเป็นด้วยปัจจัยใหญ่ ฉันจะใช้ค่าดังกล่าวสำหรับการคาดการณ์ (โดยใช้การจำลอง) เช่นกัน$0$$\epsilon_t$

มีข้อผิดพลาดที่รู้จักกับวิธีนี้หรือไม่?

วิธีการของคุณเข้าท่า ซอฟต์แวร์เชิงพาณิชย์ชิ้นหนึ่งที่ฉันเกี่ยวข้องด้วยเป็นเวลาสองปีทำสิ่งนี้อย่างแน่นอน

โครงร่างของคุณใช้กับการทำให้เรียบแบบเอกซ์โปเนนเชียลสมูท (SES) แต่แน่นอนว่าคุณสามารถใช้การรักษาแบบเดียวกันกับแนวโน้มหรือองค์ประกอบตามฤดูกาล สำหรับฤดูกาลคุณจะต้องย้อนกลับไปตามฤดูกาลเต็มรูปแบบเช่นเดียวกับการอัปเดต

ทางเลือกอื่นก็คือการแก้ไขค่าที่หายไป ets(..., na.action="na.interp")นี่คือตัวเลือกในรุ่นใหม่ของ

จากสิ่งที่ฉันรู้เกี่ยวกับแบบจำลองพื้นที่ของรัฐเพียงเล็กน้อยมันไม่ควรยากเกินไปที่จะรักษาข้อมูลที่หายไปโดยไม่ถูกตรวจสอบ ฉันไม่แน่ใจว่าทำไมสิ่งนี้ไม่ได้ถูกนำไปใช้ในforecastแพ็คเกจ การค้นหาอย่างรวดเร็วผ่านบล็อกของ Rob Hyndmanไม่ได้มีประโยชน์อะไรเลย