使用 ETS 进行预测会产生意想不到的恒定值答案

【问题标题】：Forecasting with ETS yields unexpected constant value使用 ETS 进行预测会产生意想不到的恒定值
【发布时间】：2019-07-16 22:10:03
【问题描述】：

我想从一系列 15 个数据点进行预测（我知道样本非常小）

数据列表：

acper <- c(0.17437418,0.157034518,0.156229944,0.165366982,0.17212133,0.205634804,0.177709816,0.162522795,0.165439735,0.147619365,0.144451531,0.151751211,0.129296274,0.129692449,0.118168555)

现在我想用 ets 做一个预测

ets.model <- ets(acper)
forecast(ets.model, h=3)
plot(forecast(ets.model, h=3))

我在接下来的几年里得到相同的预测

Point Forecast      Lo 80     Hi 80      Lo 95     Hi 95
16      0.1181686 0.09764478 0.1386923 0.08678015 0.1495570
17      0.1181686 0.08914355 0.1471936 0.07377865 0.1625585
18      0.1181686 0.08262033 0.1537168 0.06380224 0.1725349
19      0.1181686 0.07712100 0.1592161 0.05539174 0.1809454
20      0.1181686 0.07227600 0.1640611 0.04798195 0.1883552
21      0.1181686 0.06789578 0.1684413 0.04128298 0.1950541
22      0.1181686 0.06386775 0.1724694 0.03512264 0.2012145
23      0.1181686 0.06011855 0.1762186 0.02938874 0.2069484
24      0.1181686 0.05659723 0.1797399 0.02400334 0.2123338
25      0.1181686 0.05326668 0.1830704 0.01890970 0.2174274

为什么我总是得到 0.1181686？这对我来说似乎无效。

【问题讨论】：

您可能想查看以下链接：(stackoverflow.com/questions/27293303/…)。出于实验目的，我建议将随机生成的值存储在 acper 中并检查它是否生成不同的值。
正确，最佳估计没有趋势或季节性成分。使用例如ets(acper, model = "ZAN") 添加趋势，如果你相信有一个。
当我使用“ZAN”模型时，我也得到了相同的值。

标签： r forecasting

【解决方案1】：

先转换为ts：

library(forecast)

acper <- c (0.17437418,0.157034518,0.156229944,0.165366982,0.17212133,0.205634804,0.177709816,0.162522795,0.165439735,0.147619365,0.144451531,0.151751211,0.129296274,0.129692449,0.118168555)

ets.model <- ets(ts(acper, start = c(2000, 1), freq = 12), model = "ZAN")
forecast(ets.model, h=3)
#Point Forecast      Lo 80     Hi 80      Lo 95     Hi 95
#Apr 2001      0.1261377 0.10238661 0.1498888 0.08981353 0.1624619
#May 2001      0.1227179 0.09840193 0.1470338 0.08552986 0.1599059
#Jun 2001      0.1192980 0.09442959 0.1441664 0.08126504 0.1573310
plot(forecast(ets.model, h=3))

【讨论】：

谢谢。如果是其他模型（例如 ARIMA 或 BATS），这种转换不会产生其他结果 - 选择最佳拟合模型的好方法是什么？也许AIC？但如果 BATS AIC 不适用.. 谢谢你和最好的问候

【解决方案2】：

指数平滑对较新的样本赋予更大的权重，而对较旧的样本赋予较小的权重，而移动平均值（R 中的 ARIMA 模型）将为所有观察赋予相同的权重（这可能更适合您的样本）。由于这个事实，你的样本太小了，它似乎刚刚取了最后一个值并向上四舍五入。

【讨论】：

您好，感谢您的回复。在接下来的几年里，ARIMA 的收益率也保持不变。做样条预测会是一个想法吗？我的意思是...但是为什么不能从 15 分中生成 ARIMA 预测？它不应该总是相同的值
alpha 几乎为 1 的事实与平坦预测无关。