R 库 forecast::auto.arima vs fable:ARIMA 有什么区别？

在线文档表明引擎盖下的算法与估计 (s)Arima 模型相同。在一些测试中，使用 Kaggle 数据集，我有不同的模型:ARIMA 函数显示了一个 sArima，auto.arima 只有 Arima 模型。

auto.arima(tsbble_item1_store1$sales)

给予

Best model: ARIMA(5,1,2)

和

tsbble_item1_store1 %>%
               model(arima = ARIMA(sales))

给予

# A mable: 1 x 2
# Key:     store [1]
 store                    arima
<dbl>                  <model>
1     1 <ARIMA(1,1,3)(0,0,2)[7]>

我有非常不同的模型。顺便说一下，Arima 的寓言函数向我展示了一个更好的模型，因为它控制季节性，而 auto.arima 函数则没有，而且数据显示出明显的季节性。

有人知道当这两个函数尝试估计模型时默认参数的主要区别吗，因为我没有从文档中理解？

如有错误请见谅

提前致谢

祝你今天愉快

最佳答案

forecast::auto.arima() 需要一个 ts 对象。这是一个具有一些时间序列属性的向量，包括季节性频率。当您只是传递一个数字向量时，就像您在此处所做的那样，它假定季节性频率为 1(对于年度数据)并且不适合季节性 ARIMA 模型。

另一方面，tsibble 对象包含一个时间索引(在本例中它看起来像是一个日期变量)并且 ARIMA() 将使用该索引以确定存在哪种类型的季节性(如果有)。对于日期变量，它将选择季节性频率 7 以对应一周中的季节性时间。

要使用 forecast::auto.arima() 获得相同的结果，请使用

auto.arima(ts(tsbble_item1_store1$sales, frequency=7))

关于R 库 forecast::auto.arima vs fable:ARIMA 有什么区别？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/70333319/