Как исправить мои предсказания модели VAR?

Question

Я моделирую ежедневные заказы с сезонностью с использованием векторной авторегрессивной модели с экзогенными переменными. Я использовал пакет «vars», который имеет функции, соответствующие модели. У меня есть предсказания без использования экзогенных переменных, но я должен их включить. Когда я включил их, мои предсказания возникли как НС. Я не понимаю, почему это происходит. Моя матрица экзогенных переменных включает маркетинговую информацию и множество нулей и единиц. Это матрица размера 1218 x 123. Мои эндогенные переменные составляют матрицу размера 1218 x 4. R ниже. Мне действительно нужна помощь в том, как исправить эту проблему с моими прогнозами.

final<-merge.zoo(regresseditems, powers, lags) 
final<-as.matrix(final) 
final[is.na(final)] <- 0 
x1<-final[5:1222,] 
vardata<-merge.zoo(Total_Orders.ts,prospects_orders.ts,house_orders.ts, 
Email_Transactions.ts) 

jaba<-as.matrix(vardata) 
lambda <- BoxCox.lambda(na.contiguous(jaba)) 
VARlnorders<-BoxCox(jaba, lambda) 
vardatest<-VAR(VARlnorders, p = 123 , type ="both", season =366, exogen=x1) 
predictions <-predict(vardatest, n.ahead=254,dumvar=x2) 

(х2 есть 254 х 123 приведенная матрица размера из тех же самых внешних переменных. N.ahead должно быть равно числу наблюдений в х2)

$prospects_orders.ts 
     fcst lower upper  CI 
    [1,] NA NA NA 0.9641635 
    [2,] NA NA NA 1.1487698 
    [3,] NA NA NA 1.3001178 
    [4,] NA NA NA 1.4754121 
    [5,] NA NA NA 1.5504319 
    [6,] NA NA NA 1.6052040 
    [7,] NA NA NA 1.6545732 

Answer 1

Используя фиктивные переменные, которые являются то же, что и exo-переменные в модели, может вызвать некоторые проблемы, так как я полагаю, что некоторые из отношений оказались бы неисчислимыми.

Я не думаю, что могу полностью ответить на ваш вопрос, хотя, глядя на вашу модель, я бы сказал, что вы отстаете (p) довольно огромны - я бы постарался установить ее, используя оптимальное отставание AIC в VAR-функции ,

Кроме того, хотя ваши переменные для модели могут быть довольно простыми, содержащими 0 и 1 в местах, вы по-прежнему растягиваете способности такой модели (и, как результат, выполнимость/достоверность вывода) тем, что вы имеют относительно небольшое число наблюдений за числом переменных.

Я знаю, что для многих моделей я использовал VAR (пакет: vars), что результаты постепенно теряют значимость и достоверность, поскольку я добавил больше переменных. Попробуйте сначала сделать несколько более мелких корзин переменных, которые имеют смысл вместе, или даже сделать некоторое парное тестирование в первую очередь.
Если вы это сделали, вы можете попробовать использовать меньшее количество переменных как эндогенные переменные в модели VAR.