使用 r 中的 fable 包为 ARIMA “‘滞后’或‘差异’错误的坏值”寻求帮助答案

【问题标题】：seeking help for an ARIMA "bad value for 'lag' or 'differences' error" using fable package in r使用 r 中的 fable 包为 ARIMA “‘滞后’或‘差异’错误的坏值”寻求帮助
【发布时间】：2020-08-04 08:35:15
【问题描述】：

我在使用 fable 包中的 Arima 函数时遇到了问题，当我尝试运行模型时，主题行中出现错误。也许我的数据集对 arima 工作的观察太少了，尽管 auto.arima 在同一个集合上工作得很好。此外，它不是季节性的——事实上，我的观察相隔四年（总统选举数据）。也许就是这样？

欢迎任何帮助或建议。

这是数据集： https://www.dropbox.com/s/xmr4m3d4ksngurs/PVI%20Data%20arranged%20cols-dates.csv?dl=1

这是脚本：

library(tsibble) 
library(lubridate) 
library(fable) 
pvidata<-readr::read_csv("PVI Data arranged cols-dates.csv",col_names = TRUE) 
pvidata$Date<-as.Date(mdy(pvidata$Date)) 
pvidata<-as_tsibble(pvidata,index=Date) 
pvidata<- tidyr::pivot_longer(pvidata,-Date, names_to = "State",values_to="PVI") 
pvidata<-as_tsibble(pvidata,key=State,index=Date) 
fit <- pvidata %>%model(ets = ETS(PVI),arima = ARIMA(PVI))

我得到的是： “警告消息：arima 遇到 50 个错误（1 个唯一） [50]“滞后”或“差异”的价值不高”

谢谢！

皮特·奥特曼

【问题讨论】：

标签： r arima fable-r

【解决方案1】：

此错误消息没有提供信息且具有误导性。这已在https://github.com/tidyverts/fable/commit/4b9ae292f940c6e99b05a62cf3e76519fcac67b0 中得到修复（上游原因在https://github.com/tidyverts/fabletools/commit/4f7738bcb9b1c2b482937abd50c7e63fb80d4c55 中得到修复）。

问题是由于您构建了 tsibble。通过用 Date 类表示 tsibble 的索引，数据的时间粒度为 1 天。但是每隔几年就会观察一次选举，因此索引应该存储为整数或数字。检查这一点的一个好方法是查看 tsibble 的间隔（在表格输出的顶部）：

library(tsibble) 
library(lubridate) 
pvidata<-readr::read_csv("https://www.dropbox.com/s/xmr4m3d4ksngurs/PVI%20Data%20arranged%20cols-dates.csv?dl=1",col_names = TRUE) 
pvidata$Date<-as.Date(mdy(pvidata$Date)) 
pvidata<-as_tsibble(pvidata,index=Date) 
pvidata<- tidyr::pivot_longer(pvidata,-Date, names_to = "State",values_to="PVI") 
pvidata
#> # A tsibble: 750 x 3 [1461D]
#> # Key:       State [50]
#>    Date       State         PVI
#>    <date>     <chr>       <dbl>
#>  1 1962-01-01 Alabama      0.12
#>  2 1962-01-01 Alaska       0.03
#>  3 1962-01-01 Arizona     -0.04
#>  4 1962-01-01 Arkansas     0.07
#>  5 1962-01-01 California   0.01
#>  6 1962-01-01 Colorado    -0.04
#>  7 1962-01-01 Connecticut -0.01
#>  8 1962-01-01 Delaware     0.02
#>  9 1962-01-01 Florida      0.16
#> 10 1962-01-01 Georgia      0.17
#> # … with 740 more rows

^{由reprex package (v0.3.0) 于 2020 年 6 月 12 日创建}

[1461D]是自动识别的数据区间，应该是[4Y]。将日期设置为整数可解决此问题：

library(tsibble) 
library(lubridate) 
pvidata<-readr::read_csv("https://www.dropbox.com/s/xmr4m3d4ksngurs/PVI%20Data%20arranged%20cols-dates.csv?dl=1",col_names = TRUE) 
pvidata$Date<-year(mdy(pvidata$Date)) 
pvidata<-as_tsibble(pvidata,index=Date) 
pvidata<- tidyr::pivot_longer(pvidata,-Date, names_to = "State",values_to="PVI") 
pvidata
#> # A tsibble: 750 x 3 [4Y]
#> # Key:       State [50]
#>     Date State         PVI
#>    <dbl> <chr>       <dbl>
#>  1  1962 Alabama      0.12
#>  2  1962 Alaska       0.03
#>  3  1962 Arizona     -0.04
#>  4  1962 Arkansas     0.07
#>  5  1962 California   0.01
#>  6  1962 Colorado    -0.04
#>  7  1962 Connecticut -0.01
#>  8  1962 Delaware     0.02
#>  9  1962 Florida      0.16
#> 10  1962 Georgia      0.17
#> # … with 740 more rows

^{由reprex package (v0.3.0) 于 2020 年 6 月 12 日创建}

使用更正的数据，模型运行没有问题：

library(fable) 
#> Loading required package: fabletools
pvidata %>% model(ets = ETS(PVI),arima = ARIMA(PVI))
#> # A mable: 50 x 3
#> # Key:     State [50]
#>    State                ets                   arima
#>    <chr>            <model>                 <model>
#>  1 Alabama     <ETS(A,N,N)>          <ARIMA(0,1,0)>
#>  2 Alaska      <ETS(A,N,N)>          <ARIMA(1,0,0)>
#>  3 Arizona     <ETS(A,N,N)>  <ARIMA(0,0,2) w/ mean>
#>  4 Arkansas    <ETS(A,N,N)>          <ARIMA(1,0,1)>
#>  5 California  <ETS(A,N,N)> <ARIMA(0,1,0) w/ drift>
#>  6 Colorado    <ETS(A,N,N)>          <ARIMA(0,0,2)>
#>  7 Connecticut <ETS(A,N,N)>          <ARIMA(1,1,0)>
#>  8 Delaware    <ETS(A,N,N)>          <ARIMA(0,1,1)>
#>  9 Florida     <ETS(A,N,N)>          <ARIMA(1,0,0)>
#> 10 Georgia     <ETS(A,N,N)>          <ARIMA(0,0,1)>
#> # … with 40 more rows

^{由reprex package (v0.3.0) 于 2020 年 6 月 12 日创建}

【讨论】：