具有每周数据的 X-13 Arima 座位不起作用
X-13 Arima Seats with weekly data does not work
我正在使用 R 并且我有每周数据（总共 660 个观察），我想使用季节性包中的 X-13 Arima-Seats 来季节性调整我的数据。我将数据存储在 ts 对象中：
library(lubridate)
x <- ts(data, freq=365.25/7, start=decimal_date(ymd("2004-02-01")))
library(seasonal)
x_sa <- seas(x)
但是，我收到错误消息：
Error: X-13 run failed
Errors:
- Seasonal period too large. See Section 2.7 of the Reference Manual on program limits
- Expected argument name or "}" but found ".1785714285714"
- Time series could not be read due to previously found errors
- Expected specification name but found "}"
- Specify series before user-defined adjustments
- Need to specify a series to identify outliers
我也试了更短的时间，但是还是一样的错误。
我会按月和 运行 以下 ts 对象对您的每周数据进行平均：
ts(data, freq=12, start=c(2004,2))
您将失去一些数据粒度转换为月而不是周，但季节性包至少能够处理您的数据。
尝试 STL（使用 Loess 进行季节性和趋势分解）。您可以将其用于任何类型的季节性，而不仅仅是每月和每季度。
它有自动分解mstl()。因此，对于您的数据，公式为：
x_sa <- mstl(x)
函数 t.window 和 s.window 有调整参数，你可以控制趋势周期和季节性成分的变化速度。
您可以从 Rob J Hyndman 和 George Athanasopoulos "Forecasting: Principles and Practice" 的书中获得更多详细信息。在 "Time series decomposition" 部分。
我正在使用 R 并且我有每周数据（总共 660 个观察），我想使用季节性包中的 X-13 Arima-Seats 来季节性调整我的数据。我将数据存储在 ts 对象中：
library(lubridate)
x <- ts(data, freq=365.25/7, start=decimal_date(ymd("2004-02-01")))
library(seasonal)
x_sa <- seas(x)
但是，我收到错误消息：
Error: X-13 run failed
Errors:
- Seasonal period too large. See Section 2.7 of the Reference Manual on program limits
- Expected argument name or "}" but found ".1785714285714"
- Time series could not be read due to previously found errors
- Expected specification name but found "}"
- Specify series before user-defined adjustments
- Need to specify a series to identify outliers
我也试了更短的时间，但是还是一样的错误。
我会按月和 运行 以下 ts 对象对您的每周数据进行平均：
ts(data, freq=12, start=c(2004,2))
您将失去一些数据粒度转换为月而不是周，但季节性包至少能够处理您的数据。
尝试 STL（使用 Loess 进行季节性和趋势分解）。您可以将其用于任何类型的季节性，而不仅仅是每月和每季度。
它有自动分解mstl()。因此，对于您的数据，公式为：
x_sa <- mstl(x)
函数 t.window 和 s.window 有调整参数，你可以控制趋势周期和季节性成分的变化速度。 您可以从 Rob J Hyndman 和 George Athanasopoulos "Forecasting: Principles and Practice" 的书中获得更多详细信息。在 "Time series decomposition" 部分。