r - 寓言中的预测功能是否提供一步预测？

Question

如所述here ，在测试集中进行一步预测是一种避免随着预测范围增加而不可避免地增加方差的方法。该部分提到的是使用已训练模型对测试集执行一步预测的方法，用于 forecast 包。是否有类似的方法使用较新的 fable 包对测试数据执行一步预测？也许 new_data 参数描述了 here, for example处理这个，但我不确定，因为 h = 24 和 new_data = x_test 的预测在下面是相同的:

> library(fable)
> library(fabletools)
> x <- USAccDeaths %>%
+   as_tsibble()
> x
# A tsibble: 72 x 2 [1M]
      index value
      <mth> <dbl>
 1 1973 Jan  9007
 2 1973 Feb  8106
 3 1973 Mar  8928
 4 1973 Apr  9137
 5 1973 May 10017
 6 1973 Jun 10826
 7 1973 Jul 11317
 8 1973 Aug 10744
 9 1973 Sep  9713
10 1973 Oct  9938
# … with 62 more rows
> x_train <- x %>% filter(year(index) < 1977)
> x_test <- x %>% filter(year(index) >= 1977)
> fit <- x_train %>% model(arima = ARIMA(log(value) ~ pdq(0, 1, 1) + PDQ(0, 1, 1)))
> fit
# A mable: 1 x 1
                      arima
                    <model>
1 <ARIMA(0,1,1)(0,1,1)[12]>
> nrow(x_test)
[1] 24
> forecast(fit, h = 24)$.mean
 [1]  7778.052  7268.527  7831.507  7916.845  8769.478  9144.790 10004.816  9326.874  8172.226
[10]  8527.355  8015.100  8378.166  7692.356  7191.343  7751.466  7839.085  8686.833  9062.247
[19]  9918.487  9250.101  8108.202  8463.933  7958.667  8322.497
> forecast(fit, new_data = x_test)$.mean
 [1]  7778.052  7268.527  7831.507  7916.845  8769.478  9144.790 10004.816  9326.874  8172.226
[10]  8527.355  8015.100  8378.166  7692.356  7191.343  7751.466  7839.085  8686.833  9062.247
[19]  9918.487  9250.101  8108.202  8463.933  7958.667  8322.497

Answer 1

答案和代码

model {forecast} 中许多模型可用的参数包相当于refit() {fable} 中的方法包裹。当与 future 数据一起使用时，它可用于从一个模型中生成多个单步预测。

library(forecast)
fit <- head(USAccDeaths, -24) %>% 
  auto.arima()
fit_test <- tail(USAccDeaths, 24) %>% 
  Arima(model = fit)
accuracy(fit_test)
#>                    ME     RMSE      MAE       MPE      MAPE      MASE
#> Training set 22.45098 167.0648 85.59724 0.2382773 0.9327587 0.3298545
#>                    ACF1
#> Training set -0.0968173

library(fable)
library(dplyr)
us_accidental_deaths <- as_tsibble(USAccDeaths)
fit <- head(us_accidental_deaths, -24) %>% 
  model(ARIMA(value))
fit_test <- refit(fit, tail(us_accidental_deaths, 24), reestimate = FALSE)
accuracy(fit_test)
#> # A tibble: 1 x 10
#>   .model       .type       ME  RMSE   MAE   MPE  MAPE  MASE RMSSE    ACF1
#>   <chr>        <chr>    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>   <dbl>
#> 1 ARIMA(value) Training  22.5  167.  85.6 0.238 0.933 0.330 0.490 -0.0968

^{由 reprex package 创建于 2020-10-13 (v0.3.0)}

说明

fitted()模型的值是领先一步的预测，可用于评估“训练准确性”性能(训练数据的预测准确性)。然而，有一个问题 - 模型的估计参数是基于整个训练集的，因此训练精度比预期的要好(模型包含一些关于它所拟合的 future 的信息)。

forecast()函数用于生成模型从未见过的 future 时间点的预测。您可以使用 forecast(<mable>, h = 1) 生成一个单步超前预测。 .然而，这只会产生一个单一的预测。相反，我们想要产生一个超前一步的预测，向模型添加一个新的观察结果，然后在该新观察结果之外产生另一个超前一步的预测(重复直到用完数据)。

这是 refit() 的位置功能很有用。它采用现有模型，并将其应用于新数据集。此 retrofit 过程涉及计算数据的一步预测(fitted() 值)。通过设置 reestimate = FALSE ，模型的估计系数将不会更新以更好地适应新的“ future ”数据。这解决了模型系数的问题，该模型系数包含一些关于我们用来测试预测准确性的 future 值的信息。