具有多个周期且非负值的时间序列

Question

当我在ts object读取时间序列并放置一个句点时：

1. tr <- ts(data[,4],frequency=) 。 它可以在两个不同的时期工作，并且可以完美分解以显示（下降）趋势，季节性和误差。 我怎么知道哪个时期是正确的。

2. 当我在上述ts对象的forecast包中使用ETS或STLF函数时，摘要显示：模型信息： ETS(A,N,N)为什么？ 我们这里有季节性和趋势成分吗？

3. 当训练集为非负值且负值没有意义时，我们该如何处理负值。

Answer 1

1. 正确的周期取决于数据生成过程。 例如，如果您查看由消费者习惯驱动的月度数据，那么，如果我们假设消费者行为基于全年变化的情况而波动，则由于数据是每月一次，因此选择频率很可能是12。 重要的是要记住，周期性是可乘的。 例如，如果12和24可以工作，那么我将选择12。如果您有季度数据，则选择4的频率比较合适。 另外，如果您正在查看某个物理过程，例如引擎中的温度，并且具有毫秒数据，则合适的时间段可能是每转的毫秒数。

2. 后两个N表示“无”。 我无法说出为什么您认为存在季节性因素，而ets没有。 从帮助文件：

   通常使用Hyndman等人的框架术语的三字符字符串识别方法。 （2002）和Hyndman等。 （2008年）。 第一个字母表示错误类型（“ A”，“ M”或“ Z”）； 第二个字母表示趋势类型（“ N”，“ A”，“ M”或“ Z”）； 第三个字母表示季节类型（“ N”，“ A”，“ M”或“ Z”）。 在所有情况下，“ N” =无，“ A” =加法，“ M” =可乘，“ Z” =自动选择。 因此，例如，“ ANN”是具有加性误差的简单指数平滑，“ MAM”是具有乘性误差的乘法Holt-Winters方法，依此类推。

   该模型也可能属于“ ets”类，并且等于先前对ets的调用的输出。 在这种情况下，将相同的模型拟合到y，而无需重新估计任何平滑参数。 另请参见use.initial.values参数。

3. 对底片的处理方式取决于数据生成过程。 如果一旦预测变量达到零，则过程停止（即您处于吸收状态），则可以将这些预定值设置为零。 但是，如果您认为下降趋势越来越小，则可能必须更改模型以反映这一点。 设置lambda=0将是一个不错的开始，这等效于采用对数。 这将使模型具有可乘性。 但是，总的来说，如果您的预测变得负面，并且您知道这是不可能的，那么数据生成过程的模型可能是错误的。