Мысли: моделирование временных рядов с помощью басни и перекрестной проверки

Question

Я строю модель временных рядов, используя басни и перекрестную проверку, чтобы определить лучшее определение модели для использования. Есть ли риск моделирования

model(ETS(GDP))

против

model(ETS(GDP ~ error('A') + trend('A') + season('A')) and other ETS methods

Я спрашиваю об этом, потому что, когда я просматривал мейбл из **model(ETS(GDP))**, выбранная модель отличалась от некоторых.id. Например, ETS(A, A, A) для id = 1, ETS(A, Ad, A) для id = 2 и т. Д. Если это так, правильно ли определить все варианты ETS, чтобы обеспечить согласованность?

Вот пример, о котором я говорю:

# A mable: 7 x 5
# Key:     .id, LOB [7]
    .id LOB   ETS          ETS_Exponential ARIMA_Exponential     
  <int> <chr> <model>      <model>         <model>               
1     1 LG    <ETS(A,N,N)> <ETS(A,N,N)>    <ARIMA(0,0,1) w/ mean>
2     2 LG    <ETS(M,N,N)> <ETS(A,N,N)>    <ARIMA(0,0,1) w/ mean>
3     3 LG    <ETS(A,N,N)> <ETS(A,N,N)>    <ARIMA(0,0,1) w/ mean>
4     4 LG    <ETS(A,N,N)> <ETS(A,N,N)>    <ARIMA(0,0,1) w/ mean>
5     5 LG    <ETS(A,N,N)> <ETS(M,N,N)>    <ARIMA(0,0,1) w/ mean>
6     6 LG    <ETS(A,N,N)> <ETS(M,N,N)>    <ARIMA(0,0,0) w/ mean>
7     7 LG    <ETS(A,N,N)> <ETS(M,N,N)>    <ARIMA(0,0,0) w/ mean>

Спасибо.

Answer 1

Почему вы хотите, чтобы модели были одинаковыми? Например, если вы по какой-то причине хотите сравнить параметры модели, вы можете разместить одну и ту же модель для всех серий. Но если вам просто нужны хорошие прогнозы, вам, вероятно, лучше иметь разные модели для разных серий - некоторые будут трендовыми, некоторые - сезонными и т. Д., И вам, вероятно, нужно учесть это.

Если есть сомнения, вы можете попробовать оба подхода и посмотреть, какой из них дает лучшие прогнозы (при условии, что это ваша конечная цель).