Как исправить мои прогнозы модели VAR?

Question

Я моделирую ежедневные заказы с сезонностью, используя векторную авторегрессивную модель с экзогенными переменными. Я использовал пакет 'vars', в котором есть функции, соответствующие модели. Я получил прогнозы без использования внешних переменных, но я должен включить их. Когда я включил их, мои прогнозы оказались как NA. Я не понимаю, почему это происходит. Моя матрица внешних переменных включает маркетинговую информацию и множество нулей и единиц. Это матрица размером 1218 х 123. Мои эндогенные переменные - это матрица размером 1218 x 4. Код R ниже. Мне действительно нужна помощь, чтобы решить эту проблему с моими предсказаниями.

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 - матрица уменьшенного размера 254 x 123 тех же экзогенных переменных. n.ahead должно равняться количеству наблюдений в x2)

$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

Answer 1

Использование фиктивных переменных, которые совпадают с переменными exo в модели, может вызвать некоторые проблемы, так как я полагаю, что некоторые отношения могут оказаться неисчислимыми.

Я не думаю, что смогу полностью ответить на ваш вопрос, хотя, глядя на вашу модель, я бы сказал, что у вас довольно большое отставание (p) - я бы попытался установить его, используя оптимальное отставание AIC в функции VAR.

Кроме того, хотя ваши переменные для модели могут быть довольно простыми, содержать 0 и 1 в некоторых местах, вы все равно расширяете возможности такой модели (и, как следствие, осуществимость / достоверность выходных данных), поскольку у вас относительно небольшой количество наблюдений за количеством переменных.

Я знаю, что для многих моделей, которые я использовал, используя VAR (package: vars), результаты постепенно теряют значимость и достоверность, поскольку я добавляю больше переменных. Попробуйте сначала сделать несколько небольших корзин переменных, которые имеют смысл вместе, или даже сначала выполнить парное тестирование.
Если вы сделали это, вы можете попробовать использовать меньшее количество переменных в качестве эндогенных переменных и в модели VAR.