Vorrei combinare il previsto e il backcast (vale a dire i valori passati previsti) di un set di dati di serie temporali in una serie temporale minimizzando l'errore di previsione al quadrato medio.
Supponiamo di avere serie temporali dal 2001 al 2010 con un divario per l'anno 2007. Sono stato in grado di prevedere il 2007 utilizzando i dati 2001-2007 (linea rossa - chiamato ) e di eseguire il backcast utilizzando i dati 2008-2009 (azzurro linea - chiamalo ).Y b
Vorrei combinare i punti dati di e in un punto dati imputato Y_i per ogni mese. Idealmente mi piacerebbe ottenere il peso tale che riduce al minimo la previsione errore quadratico medio (MSPE) di . Se ciò non fosse possibile, come potrei trovare la media tra i punti dati delle due serie storiche?Y b w Y i
A titolo di esempio:
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
Vorrei ottenere (mostrando solo la media ... Idealmente minimizzando l'MSPE)
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
funzione del pacchetto di previsione. Tuttavia, penso che userò il modello di previsione di HoltWinters per prevedere e eseguire il backcast. Ho serie temporali con poco meno di 50 conteggi e ho provato a prevedere la regressione di Poisson, ma per qualche ragione su previsioni molto deboli.
NA
valori? Sembra che rendere il periodo di apprendimento MSPE potrebbe essere fuorviante poiché i sotto-periodi sono ben descritti da tendenze lineari, ma nel periodo mancato si verifica un calo da qualche parte, e in realtà potrebbe essere qualsiasi punto. Si noti inoltre che, poiché le previsioni sono in linea di tendenza, la loro media introdurrà due rotture strutturali anziché apparentemente una.