NA在我的时间序列趋势中的NA值

Question

并预先感谢您的帮助。

我正在使用Weekley季节性时间序列，但是当我使用de decompose()函数获取趋势，季节性和随机数据时，我得到了som NA。 这是代码：

myts <- c(5,40,43,65,95,111,104,124,133,263,388,1488,796,1209,707,52,0,76,306,1219,671,318,125,192,128,33,5,17,54,55,74,133,111,336,321,34,74,210,280,342,708,232,479,822,188,104,50,24,3,1,0,0,8,55,83,75,104,163,169,259,420,1570,243,378,1036,834,856,17,8,88,359,590,768,1461,443,128,89,192,37,21,51,62,78,125,123,259,600,60,59,180,253,379,766,375,828,502,165,114,76,10,2,1,0,0,46,71,95,102,132,212,268,330,428,1635,302,461,993,1497,1137,29,2,219,436,817,979,1226,317,134,121,211,35,47,87,83,97,177,153,345,635,48,84,234,258,358,780,470,700,701,331,67,0,0,0,0,0,0)

myts <- ts(myts, start=c(2015,17), frequency = 52)

modelo1 <- decompose(myts, "additive")
plot(modelo1)

如您在该图中所看到的，我的趋势和随机数据的开始和结束处都有一些NA。 我想知道为什么以及如何解决这个问题，以便从数据中提取趋势：

再次感谢你的帮助。

Answer 1

从decompose()函数本身的文档中，可使用具有相等权重的对称窗口的移动平均值来估计趋势分量。

由于您的频率是52，所以它是一个偶数，因此对前25.5点和后25.5点的值加上其自身进行平均，以便得出第一个“平均值”的值。

当您应用过滤时，由于前26个点尚不存在值，因此时间序列趋势成分中的前26个值将获得25 NA 。

随机分量的计算本质上是：

$Observed - $Trend - $Seasonal = Random

所以，因为有NA在您的季节性成分值，你也将获得NA为随机同一位置的算术运算预期值。

附加证明：

由于您指定了frequency=52 ，因此这些是应在移动平均值中应用的权重。 这个移动平均值导致您所知道的趋势成分 ：

c(0.5, rep_len(1, 51), 0.5)/52
[1] 0.009615385 0.019230769 ... 0.019230769 0.009615385

因此，将这些权重应用于第一个非NA值，您将执行以下操作：

sum(
as.vector(myts[1])*0.009615385,
as.vector(myts[2:52])*0.019230769,
as.vector(myts[53])*0.009615385
)

或者，您也可以使用filter功能，该功能默认情况下适用于两侧移动平均值：

coef1 <- c(0.5, rep_len(1, 51), 0.5)/52
stats::filter(myts, coef1)

无论如何，您将看到与分解后的时间序列modelo1$trend结果完全相同的结果。 而且由于缺少前26个值，因此您得到NA 。

对于frequency=12分解的时间序列，这是我看到的例如：

          Jan      Feb      Mar      Apr      May      Jun      Jul      Aug      Sep      Oct      Nov
1946       NA       NA       NA       NA       NA       NA 23.98433 23.66213 23.42333 23.16112 22.86425
1947 22.35350 22.30871 22.30258 22.29479 22.29354 22.30562 22.33483 22.31167 22.26279 22.25796 22.27767
1948 22.43038 22.43667 22.38721 22.35242 22.32458 22.27458 22.23754 22.21988 22.16983 22.07721 22.01396
1949 22.06375 22.08033 22.13317 22.16604 22.17542 22.21342 22.27625 22.35750 22.48862 22.70992 22.98563