如何修复我的 VAR 模型预测？答案

【问题标题】：Howto fix my VAR model predictions?如何修复我的 VAR 模型预测？
【发布时间】：2013-07-10 04:34:14
【问题描述】：

我正在使用具有外生变量的向量自回归模型对具有季节性的每日订单进行建模。我使用了具有适合模型的功能的“vars”包。我在没有使用外生变量的情况下得到了预测，但我必须包括它们。当我将它们包括在内时，我的预测是 NAs。我不明白为什么会这样。我的外生变量矩阵包括营销信息和大量的零和一。它是一个 1218 x 123 大小的矩阵。我的内生变量是一个 1218 x 4 大小的矩阵。 R代码如下。我真的需要帮助来解决我的预测问题。

final<-merge.zoo(regresseditems, powers, lags)
final<-as.matrix(final)
final[is.na(final)] <- 0
x1<-final[5:1222,]
vardata<-merge.zoo(Total_Orders.ts,prospects_orders.ts,house_orders.ts,
Email_Transactions.ts)

jaba<-as.matrix(vardata)
lambda <- BoxCox.lambda(na.contiguous(jaba))
VARlnorders<-BoxCox(jaba, lambda)
vardatest<-VAR(VARlnorders, p = 123 , type ="both", season =366, exogen=x1)
predictions <-predict(vardatest, n.ahead=254,dumvar=x2)

（x2 是相同外生变量的 254 x 123 缩小矩阵。n.ahead 必须等于 x2 中的观察数）

$prospects_orders.ts
       fcst lower upper        CI
  [1,]   NA    NA    NA 0.9641635
  [2,]   NA    NA    NA 1.1487698
  [3,]   NA    NA    NA 1.3001178
  [4,]   NA    NA    NA 1.4754121
  [5,]   NA    NA    NA 1.5504319
  [6,]   NA    NA    NA 1.6052040
  [7,]   NA    NA    NA 1.6545732

【问题讨论】：

标签： r time-series regression forecasting stl-decomposition

【解决方案1】：

使用与模型中的 exo 变量相同的虚拟变量可能会导致一些问题，因为我相信某些关系最终会无法计算。

我认为我不能完全回答您的问题，尽管查看您的模型，我会说您的滞后 (p) 非常大 - 我会尝试使用 VAR 函数中的 AIC 最佳滞后来设置它。

此外，尽管您的模型变量可能非常简单，在某些地方包含 0 和 1，但您仍然在扩展此类模型的能力（以及因此输出的可行性/可信度），因为您拥有变量数量相对较少的观察值。

我知道，对于我使用 VAR（包：vars）完成的很多模型，随着我添加更多变量，结果会慢慢失去意义和可信度。尝试先做一些较小的变量篮子，这些变量放在一起有意义，甚至先做一些成对测试。
如果你这样做了，你也可以尝试在 VAR 模型中使用较少数量的变量作为内生变量。

【讨论】：