我有一个多元时间序列数据，其中包含 Order_date、store_id、region、product_ID、Unit_sold、discount、holiday(yes/no) 等字段。 唯一产品数为 50。 我需要对每种产品进行需求预测。 我想在这个数据集上应用 SARIMAX 模型。
我需要为每个产品单独建立单独的预测模型，还是有一些解决方法可以同时处理多个产品的预测？
另一方面：我应该如何检查多元时间序列的平稳性。我遇到了适用于单变量数据的 adf 测试和适用于多达 12 个独立变量的 Johansen 测试。 Johansen 检验是检验多元时间序列平稳性的最佳方法吗？
我是时间序列的初学者。请指导我完成这些步骤。
【问题讨论】：
标签： python time-series arima
让我们用一个例子来解决这个问题。假设您销售毛衣、宜家家具和冰淇淋。从逻辑上讲，毛衣在冬天之前和冬天卖得最好，宜家家具在周末卖得最好，但全年都相当均匀，冰淇淋在夏天卖得最好，但主要是在炎热的时候。如果您同时为所有这些拟合一个时间序列模型，即使这些产品可能都显示具有相同周期性的趋势，它们的影响将完全相反！
当然更多的人会在周末购买冰淇淋、毛衣和家具，但周末的影响会比其他人大得多。毛衣和冰淇淋可能都显示出年度趋势，但方向相反。
我建议您为一种产品构建模型，然后研究自动化流程，而对于其余产品，只需查看自动化流程的结果即可。
虽然我们中的一些人有数学背景，但询问哪种（统计）测试是最好的，必然会得到主观而复杂的答案，因为这取决于具体情况。假设您正在为一家企业工作-根据我的经验，获得足够好的答案而不是完美的答案通常就足够了。 Yang and Shahabi 以 Johansen 的测试为例，如果他们失败了，就讨论如何将非平稳多元时间序列平稳化。
最后，您会发现一种方法是否有效的主要方法是通过反复试验。如果您使用 Johansen 的检验，该序列通过了它，但您在结果中看到预测随着时间的推移变得更糟，那么时间序列显然不是平稳的。如果您想要一个数学上更正确的答案，或者您不在商业环境中工作，我会在 CrossValidated 提出第二个问题，其中有 similar 查询。
【讨论】：
feature selection time series - 那里有足够的资源