Kombinieren von auto.arima () und ets () aus dem Prognosepaket

Ich habe die Funktionen ets () und auto.arima () aus dem Prognosepaket verwendet, um eine große Anzahl univariater Zeitreihen vorherzusagen . Ich habe die folgende Funktion verwendet, um zwischen den beiden Methoden zu wählen, aber ich habe mich gefragt, ob CrossValidated bessere (oder weniger naive) Ideen für die automatische Prognose hat.

auto.ts <- function(x,ic="aic") {
    XP=ets(x, ic=ic) 
    AR=auto.arima(x, ic=ic)

    if (get(ic,AR)<get(ic,XP)) {
        model<-AR
    }
    else {
        model<-XP
    }
        model
}

/ edit: Was ist mit dieser Funktion?

auto.ts <- function(x,ic="aic",holdout=0) {
    S<-start(x)[1]+(start(x)[2]-1)/frequency(x) #Convert YM vector to decimal year
    E<-end(x)[1]+(end(x)[2]-1)/frequency(x)
    holdout<-holdout/frequency(x) #Convert holdout in months to decimal year
    fitperiod<-window(x,S,E-holdout) #Determine fit window

    if (holdout==0) {
        testperiod<-fitperiod
    }
    else {
        testperiod<-window(x,E-holdout+1/frequency(x),E) #Determine test window
    }

    XP=ets(fitperiod, ic=ic)
    AR=auto.arima(fitperiod, ic=ic)

    if (holdout==0) {
        AR_acc<-accuracy(AR)
        XP_acc<-accuracy(XP)
    }
    else {
        AR_acc<-accuracy(forecast(AR,holdout*frequency(x)),testperiod)
        XP_acc<-accuracy(forecast(XP,holdout*frequency(x)),testperiod)
    }

    if (AR_acc[3]<XP_acc[3]) { #Use MAE
        model<-AR
    }
    else {
        model<-XP
    }
    model
}

Das "Holdout" ist die Anzahl der Perioden, die Sie als Test außerhalb der Stichprobe verwenden möchten. Die Funktion berechnet dann basierend auf diesem Parameter ein Anpassungsfenster und ein Testfenster. Anschließend werden die Funktionen auto.arima und ets im Anpassungsfenster ausgeführt und diejenige mit der niedrigsten MAE im Testfenster ausgewählt. Wenn der Holdout gleich 0 ist, wird die Anpassung in der Stichprobe getestet.

Gibt es eine Möglichkeit, das ausgewählte Modell nach Auswahl automatisch mit dem vollständigen Datensatz zu aktualisieren?

Die Wahrscheinlichkeiten der beiden Modellklassen und damit die AIC-Werte sind aufgrund unterschiedlicher Initialisierungsannahmen nicht vergleichbar. Ihre Funktion ist also ungültig. Ich schlage vor, Sie probieren die beiden Modellklassen Ihrer Serie aus und sehen, welche die besten Prognosen außerhalb der Stichprobe liefert.