如何在时间序列的季节性调整分量（R）上拟合具有ARIMA误差的回归模型？

我想用时间序列T做这两件事（结合起来）：

预测T的季节性调整成分（用于分解的STL）并“加回”季节性（我假设季节性成分是不变的，所以我对季节性成分使用天真的方法）

拟合具有ARIMA误差的回归模型（公式中包含外生回归系数）

换言之，我希望使用T的季节性调整分量，将外部预测值和季节性“相加”得到预测

我可以分别做这两个操作，但我不能让它们同时工作

以下是一些玩具示例：

首先，加载库和数据：

library(forecast)
library(tsibble)
library(tibble)
library(tidyverse)
library(fable)
library(feasts)
library(fabletools)


us_change <- readr::read_csv("https://otexts.com/fpp3/extrafiles/us_change.csv") %>%
  mutate(Time = yearquarter(Time)) %>%
  as_tsibble(index = Time)

拟合没有问题，但现在预测中出现错误：

> forecast(fit, new_data = us_change_future) %>% autoplot(us_change)
Error in args_recycle(.l) : all(lengths == 1L | lengths == n) is not TRUE
In addition: Warning messages:
1: In cbind(xreg, intercept = intercept) :
  number of rows of result is not a multiple of vector length (arg 2)
2: In z[[1L]] + xm :
  longer object length is not a multiple of shorter object length

---

我做错了什么？

这里的代码没有问题，只是我没有考虑过人们在进行

分解\u model（）

时会做的事情。我已经更新了分解建模方法，以包括外部回归，以便可以在组件模型（）中使用它们。如果您更新了软件包，您的第一次建模尝试应该可以正常工作

至于第二次尝试失败的原因，预测方法是找到us_change$收入，并将其用作未来预测的外生回归。此值的长度为

us\u change

，与

us\u change\u future

的长度不匹配，导致（混淆）错误

---

雷普雷克斯：

库（tidyverse）
图书馆（TSIBLE）
图书馆（寓言）
图书馆（宴会）
美元兑换率%
突变（时间=年季度（时间））%>%
as_tsible（索引=时间）
模型定义=分解模型（STL，
消费季节（窗口=‘周期’）+趋势（窗口=13），
ARIMA（季节调整收入+PDQ（0,0,0）），
斯奈夫（季节和年份），
dcmp_args=list（稳健=TRUE））
适合%型号（型号定义）
报告（fit）
#>系列：消费
#>模型：STL分解模型
#>组合：季节调整+季节年
#> 
#> ========================================
#> 
#>系列：季节调整
#>模型：LM w/ARIMA（1,0,2）误差
#> 
#>系数：
#>ar1 ma1 ma2收入截距
#>       0.6922  -0.5777  0.1975  0.2035     0.5993
#>s.e.0.1163 0.1305 0.0755 0.0462 0.0883
#> 
#>西格玛^2估计为0.3234：对数似然=-157.39
#>AIC=326.77 AICc=327.24 BIC=346.16
#> 
#>系列：第二季
#>型号：斯奈夫
#> 
#>西格玛^2:0
美元变动未来百分比变动（收入=平均值（美元变动$收入））
预测（拟合、新数据=美国变化\未来）%>%自动批次（美国变化）

由（v0.2.1）于2019-10-09创建

model_def = ARIMA(Consumption ~ Income + PDQ(0,0,0))

fit <- us_change %>% model(model_def)

report(fit)

us_change_future <- new_data(us_change, 8) %>% mutate(Income = mean(us_change$Income))

forecast(fit, new_data = us_change_future) %>% autoplot(us_change)

model_def = decomposition_model(STL,
                                Consumption  ~ season(window = 'periodic') + trend(window = 13),
                                ARIMA(season_adjust ~ Income + PDQ(0,0,0)),
                                SNAIVE(season_year),
                                dcmp_args = list(robust=TRUE))


fit <- us_change %>% model(model_def)

report(fit)

us_change_future <- new_data(us_change, 8) %>% mutate(Income = mean(us_change$Income))

forecast(fit, new_data = us_change_future) %>% autoplot(us_change)

> fit <- us_change %>% model(model_def)
Warning message:
1 error encountered for model_def
[1] object 'Income' not found

> 
> report(fit)
Series: Consumption 
Model: NULL model 
NULL model> 

model_def = decomposition_model(STL,
                                Consumption  ~ season(window = 'periodic') + trend(window = 13),
                                ARIMA(season_adjust ~ us_change$Income + PDQ(0,0,0)),
                                SNAIVE(season_year),
                                dcmp_args = list(robust=TRUE))

> forecast(fit, new_data = us_change_future) %>% autoplot(us_change)
Error in args_recycle(.l) : all(lengths == 1L | lengths == n) is not TRUE
In addition: Warning messages:
1: In cbind(xreg, intercept = intercept) :
  number of rows of result is not a multiple of vector length (arg 2)
2: In z[[1L]] + xm :
  longer object length is not a multiple of shorter object length