对于相同的数据，auto.arima（）似乎会选择不同的模型

我在中尝试了类似于

auto.arima

的示例，注意到根据是否显式指定（所有）行数据，我会得到不同的结果。MWE：

library(forecast); library(fpp2)
nrow(insurance)
auto.arima(insurance[,1], xreg=insurance[,2], stationary=TRUE)
auto.arima(insurance[1:40,1], xreg=insurance[1:40,2], stationary=TRUE)

nrow（insurance）

显示有40行，因此我认为

insurance[，1]

与

insurance[1:40,1]

相同，第二列也是如此。然而，第一种方法导致“ARIMA（3,0,0）误差回归”，而第二种方法导致“ARIMA（1,0,2）误差回归”

---

为什么这些看似等价的调用会导致选择不同的模型？

请注意，

insurance[，1]

有标签，而

insurance[1:40,1]

没有标签。如果您通过

as.numeric（保险[，1]）

您将实际收到“ARIMA（1,0,2）”。所以我打赌这与第一个参数是否有标签有关……还要注意的是，如果

xreg=insurance[，2]

或

xreg=insurance[1:40,2]

它们都会起作用，那么它们都会朝着正确的方向运行：

insurance[，1]

是一个“时间序列”，而

insurance[1:40,1]

是数字。也就是说，

is.ts（保险[1]）

是

TRUE

但是

is.ts（保险[1:40,1]）

是

FALSE

。

forecast

包有一个保持时间序列结构的

子集

函数，因此

is.ts（子集（保险[，1]，开始=1，结束=40））

is

TRUE

和

auto.arima(subset(insurance[,1],start=1,end=40), 
           xreg=subset(insurance[,2],start=1,end=40), stationary=TRUE)

给出与我问题中的第一个版本相同的输出（带有

insurance[，1]

和

insurance[，2]

）

我想这至少在表面上解释了“为什么”，尽管我不明白 1） 为什么时间序列结构会改变这里的结果（因为所选模型中似乎没有任何季节性？） 2） 为什么在链接的示例中，Hyndman使用

insurance[4:40,1]

而不是他自己的

subset（）

函数从他的

forecast

包中获得？ 我会等着看是否有人想回答那些“更深层次”的问题，否则我可能会接受这个答案