时间戳

首页 > 解决方案 > 季度到每周数据的插值

r - 季度到每周数据的插值

问题描述

我目前正在尝试通过所谓的插值从季度数据中预测每周数据。不幸的是，我现在在找到正确的方法时遇到了一些麻烦，因为我认为 R 中的 approx 函数可能不是最好的情况。您是否有其他方法可以尝试将这些会计数据从季度数据转换为每周数据。

期待听到建议。

标签： rinterpolationapproximation

解决方案

假设问题

给定季度数据：

  1. 插入每周数据点
  2. 然后预测未来的每周周期

R 中的示例，因为我非常喜欢R。



第 1 部分。插入每周数据点

来自美联储的示例季度数据集：

require(tidyverse)
require(lubridate)
require(timeSeries)
require(xts)
require(tsbox)

gdp_data<- 
  tribble(
    ~DATE,      ~GDPC1, 
    20180101,   18438.254,
    20180401,   18598.135,
    20180701,   18732.72,
    20181001,   18783.548,
    20190101,   18927.281,
    20190401,   19021.86,
  ) %>% 
  mutate(DATE = ymd(alignQuarterly(ymd(DATE)))) %>% 
  ts_xts()

生成的 xts 对象：

> gdp_data
              GDPC1
2018-03-30 18438.25
2018-06-29 18598.13
2018-09-29 18732.72
2018-12-31 18783.55
2019-03-30 18927.28
2019-06-29 19021.86



样条插值的季度末期至周末期

# create weekly time periods
weekly_dates<- 
  gdp_data %>% 
  index() %>% 
  alignQuarterly() %>% 
  align(by = "w") %>% 
  ymd() %>% 
  as.xts()

# approximate values for each week
interpolated_data<- 
  weekly_dates %>% 
  merge(gdp_data) %>% 
  na.spline() %>% 
  merge(weekly_dates, join = 'right')

生成的 xts 对象：

> interpolated_data %>% tail(10)
              GDPC1
2019-04-26 18969.86
2019-05-03 18979.35
2019-05-10 18988.07
2019-05-17 18995.95
2019-05-24 19002.92
2019-05-31 19008.91
2019-06-07 19013.87
2019-06-14 19017.70
2019-06-21 19020.36
2019-06-28 19021.77

以图表形式查看输出：

interpolated_data %>% plot()



第 2 部分。预测未来的每周周期

指数状态空间模型示例

require(forecast)
projection<- 
  interpolated_data %>% 
  ts_ts() %>% 
  ets('MAN', damped = F) %>% 
  predict(10)

结果 ts 预测：

> projection
         Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
2019.506       19023.17 19022.34 19024.00 19021.90 19024.45
2019.525       19024.58 19022.72 19026.44 19021.73 19027.43
2019.544       19025.98 19022.87 19029.10 19021.22 19030.75
2019.563       19027.39 19022.83 19031.95 19020.42 19034.37
2019.582       19028.80 19022.62 19034.97 19019.35 19038.24
2019.602       19030.20 19022.26 19038.15 19018.05 19042.35
2019.621       19031.61 19021.76 19041.46 19016.54 19046.68
2019.640       19033.02 19021.12 19044.91 19014.83 19051.21
2019.659       19034.42 19020.36 19048.48 19012.92 19055.92
2019.678       19035.83 19019.49 19052.17 19010.84 19060.82

以图形方式查看投影：

require(ggplot2)
projection %>% 
  autoplot()

推荐阅读