R中具有多个外生变量的Arima时间序列预测（auto.arima）

我想基于具有多个外生变量的多个时间序列ARIMA模型进行预测。由于我对统计数据和RI都不希望保持尽可能简单（3个月的趋势预测就足够了）。

我有1个相关的时间序列和3-5个预测器时间序列，所有月度数据，无间隔，同时为“水平”。

我遇到了auto.arima函数，并问自己这是否适合我的问题。我有不同的商品价格和用它们制成的产品的价格。所有原始数据都是非平稳的，但是通过一阶微分，它们都变成了平稳数据。ADF，KPSS对此进行了说明。（这意味着我已经对集成进行了测试，对吗？）。

我现在的问题是：如何将它与auto.arima函数一起应用，而且ARIMA是否是正确的方法？一些人已经建议我使用VAR，但是ARIMA也可以吗？

下表是我的数据。实际上，数据集直到105个观测值为止，但前50个观测值可以。在这里，趋势和季节性显然很有趣。

感谢您的任何建议和帮助！格奥尔格

如果您的外部回归变量是因果，但不是相反的，并且互不引起，则ARIMA绝对合适。如果您的不同时间序列都相互依赖，则VAR有意义。$y$

要auto.arima()使用外部回归变量，请将回归变量收集到一个矩阵中X，然后将其输入的xreg参数中auto.arima()。（当然，X必须与y建模的时间序列具有相同的行数。）

为了进行预测，您将需要回归器的未来值，然后将其再次输入到的xreg参数中forecast。

帮助页面为?auto.arima和?forecast.Arima（请注意大写字母A-这不是错字。请不要问我...）。