使用线性模型估算单变量季节性时间序列
Imputation of uni-variate, seasonal time series using linear model
我们如何使用 R 中的线性模型方法对单变量、季节性时间序列进行插补？它应该考虑季节性，最好是趋势。
我使用 tslm 函数进行预测，但不知道用于插补的类似函数。
这个问题在本质上似乎更具统计性，因此可能应该迁移到 cross-validated，在那里您可能会得到更好的答案...但一个快速的答案是
- 插补是一个不同于线性建模的过程，通常是提前执行的，所以有点不清楚你在这里问什么
- 如果我理解正确，最简单的方法可能是在拟合 tslm 模型之前使用合理 window 相邻点的平均值
- 您可能想查看 Caret 包中可用的 pre-processing 选项，尽管我自己还没有将它们用于时间序列数据并且不确定是否可行
与往常一样，提供数据和可重现的示例会有所帮助。
imputeTS 包可能就是您要搜索的内容。
（免责声明：我是包的维护者）
这是一个专门用于（单变量）时间序列插补的包。
这意味着它还具有处理季节性和趋势的功能。
包中实际上有几个您可能感兴趣的功能：
- na_seadec - 使用黄土分解和插值
- na_kalman - 使用卡尔曼平滑和结构时间序列模型
- na_seasplit - 分别估算每个季节
还包括其他算法，但这三种算法似乎最有希望满足您的需求。我建议阅读 manual 以了解具体的算法细节。
给你的简短例子：
library(imputeTS)
# tsAirgap is a example univariate time series with NAs provided by imputeTS
x <- tsAirgap
x <- na_kalman(x)
基本上就是这样。对于其他算法，它的工作原理相同：
library(imputeTS)
# tsAirgap is a example univariate time series with NAs provided by imputeTS
x <- tsAirgap
x <- na_seadec(x, algorithm = "interpolation")
我们如何使用 R 中的线性模型方法对单变量、季节性时间序列进行插补？它应该考虑季节性，最好是趋势。 我使用 tslm 函数进行预测，但不知道用于插补的类似函数。
这个问题在本质上似乎更具统计性，因此可能应该迁移到 cross-validated，在那里您可能会得到更好的答案...但一个快速的答案是
- 插补是一个不同于线性建模的过程，通常是提前执行的，所以有点不清楚你在这里问什么
- 如果我理解正确，最简单的方法可能是在拟合 tslm 模型之前使用合理 window 相邻点的平均值
- 您可能想查看 Caret 包中可用的 pre-processing 选项，尽管我自己还没有将它们用于时间序列数据并且不确定是否可行
与往常一样，提供数据和可重现的示例会有所帮助。
imputeTS 包可能就是您要搜索的内容。 （免责声明：我是包的维护者）
这是一个专门用于（单变量）时间序列插补的包。 这意味着它还具有处理季节性和趋势的功能。
包中实际上有几个您可能感兴趣的功能：
- na_seadec - 使用黄土分解和插值
- na_kalman - 使用卡尔曼平滑和结构时间序列模型
- na_seasplit - 分别估算每个季节
还包括其他算法，但这三种算法似乎最有希望满足您的需求。我建议阅读 manual 以了解具体的算法细节。
给你的简短例子：
library(imputeTS)
# tsAirgap is a example univariate time series with NAs provided by imputeTS
x <- tsAirgap
x <- na_kalman(x)
基本上就是这样。对于其他算法，它的工作原理相同：
library(imputeTS)
# tsAirgap is a example univariate time series with NAs provided by imputeTS
x <- tsAirgap
x <- na_seadec(x, algorithm = "interpolation")