Блог

Я работаю над книгой «Принципы и практика прогнозирования». В частности, я работаю над разделом о полезных предикторах, который находится здесь: https://otexts.com/fpp3/useful-predictors.html .

В тексте упоминаются переменные вмешательства, но я не могу запустить переменные спайка или шага. Я проверил stackoverflow и посмотрел онлайн, но не нашел примеров. Приведенный ниже код возвращает нулевую модель, независимо от того, использую ли я spike или step, любая помощь в запуске переменных вмешательства будет оценена.

 library(tidyverse)
library(fpp3)
fit_consBest <- us_change %>%
  model(
    lm = TSLM(Consumption ~ Income   Savings   Unemployment   trend()   season()),
    step = TSLM(formula = Consumption ~ Income   step(object = lm, scope = Income   Savings   Unemployment))
  )
# All of the reporting methods below return NULL models or errors:
report(fit_consBest)
fit_consBest %>% 
  select(step)
glance(fit_consBest)
 

step() Функция выполняет пошаговую регрессию, она не создает пошаговый предиктор.

Вот пример, в котором используется предиктор шага. В этом случае шаг происходит в первом квартале 1975 года (т.е. 0 до этого и 1 после).

 library(fpp3)
#> ── Attaching packages ─────────────────────────────────────── fpp3 0.4.0.9000 ──
#> ✓ tibble      3.1.6          ✓ tsibble     1.1.1     
#> ✓ dplyr       1.0.7          ✓ tsibbledata 0.3.0.9000
#> ✓ tidyr       1.1.4          ✓ feasts      0.2.2.9000
#> ✓ lubridate   1.8.0          ✓ fable       0.3.1.9000
#> ✓ ggplot2     3.3.5
#> ── Conflicts ───────────────────────────────────────────────── fpp3_conflicts ──
#> x lubridate::date()    masks base::date()
#> x dplyr::filter()      masks stats::filter()
#> x tsibble::intersect() masks base::intersect()
#> x tsibble::interval()  masks lubridate::interval()
#> x dplyr::lag()         masks stats::lag()
#> x tsibble::setdiff()   masks base::setdiff()
#> x tsibble::union()     masks base::union()
fit_consBest <- us_change %>%
  model(
    lm = TSLM(Consumption ~ Income   Savings   Unemployment   trend()   season()),
    step = TSLM(Consumption ~ Income   (year(Quarter) >= 1975))
  )
glance(fit_consBest)
#> # A tibble: 2 × 15
#>   .model r_squared adj_r_squared sigma2 statistic  p_value    df log_lik   AIC
#>   <chr>      <dbl>         <dbl>  <dbl>     <dbl>    <dbl> <int>   <dbl> <dbl>
#> 1 lm         0.776         0.768 0.0944      94.1 2.61e-58     8   -43.2 -457.
#> 2 step       0.148         0.139 0.350       17.0 1.61e- 7     3  -176.  -203.
#> # … with 6 more variables: AICc <dbl>, BIC <dbl>, CV <dbl>, deviance <dbl>,
#> #   df.residual <int>, rank <int>
tidy(fit_consBest)
#> # A tibble: 11 × 6
#>    .model term                      estimate std.error statistic  p.value
#>    <chr>  <chr>                        <dbl>     <dbl>     <dbl>    <dbl>
#>  1 lm     (Intercept)                0.441    0.0650       6.79  1.38e-10
#>  2 lm     Income                     0.741    0.0397      18.7   7.36e-45
#>  3 lm     Savings                   -0.0528   0.00293    -18.0   5.96e-43
#>  4 lm     Unemployment              -0.343    0.0680      -5.04  1.06e- 6
#>  5 lm     trend()                   -0.00113  0.000391    -2.89  4.34e- 3
#>  6 lm     season()year2             -0.0760   0.0617      -1.23  2.19e- 1
#>  7 lm     season()year3             -0.0478   0.0626      -0.763 4.46e- 1
#>  8 lm     season()year4             -0.0865   0.0619      -1.40  1.64e- 1
#>  9 step   (Intercept)                0.485    0.138        3.52  5.45e- 4
#> 10 step   Income                     0.273    0.0469       5.82  2.39e- 8
#> 11 step   year(Quarter) >= 1975TRUE  0.0658   0.140        0.471 6.38e- 1
 

^{Создано 2021-12-04 пакетом reprex (v2.0.1)}