ETS（）函数，如何避免与历史数据不一致的预测？

我正在研究R中的alogorithm，以使每月预测计算自动化。除其他外，我正在使用预报包中的ets（）函数来计算预报。运行良好。

不幸的是，对于某些特定的时间序列，我得到的结果很奇怪。

请在下面找到我正在使用的代码：

train_ts<- ts(values, frequency=12)
fit2<-ets(train_ts, model="ZZZ", damped=TRUE, alpha=NULL, beta=NULL, gamma=NULL, 
            phi=NULL, additive.only=FALSE, lambda=TRUE, 
            lower=c(0.0001,0.0001,0.0001,0.8),upper=c(0.9999,0.9999,0.9999,0.98), 
            opt.crit=c("lik","amse","mse","sigma","mae"), nmse=3, 
            bounds=c("both","usual","admissible"), ic=c("aicc","aic","bic"),
            restrict=TRUE)  
ets <- forecast(fit2,h=forecasthorizon,method ='ets')   

请在下面的相关历史数据集下面找到：

 values <- c(27, 27, 7, 24, 39, 40, 24, 45, 36, 37, 31, 47, 16, 24, 6, 21, 
35, 36, 21, 40, 32, 33, 27, 42, 14, 21, 5, 19, 31, 32, 19, 36, 
29, 29, 24, 42, 15, 24, 21)

在此图中，您将看到历史数据（黑色），拟合值（绿色）和预测（蓝色）。该预测绝对与拟合值不一致。

您对如何“绑定”前瞻使其与历史销售“保持一致”有任何想法吗？

正如@forecaster指出的，这是由系列末尾的异常值引起的。如果将估计的水平分量绘制在顶部，则可以清楚地看到问题：

plot(forecast(fit2))
lines(fit2$states[,1],col='red')

请注意，该系列末尾的水平有所提高。

使模型对异常值更健壮的一种方法是减少参数空间，以使平滑参数必须采用较小的值：

fit2 <- ets(train_ts, upper=c(0.3,0.2,0.2,0.98))  
plot(forecast(fit2))

这是教科书案例，在系列结尾处有异常值及其意想不到的后果。数据的问题在于最后两个点是离群值，您可能需要在运行预测算法之前识别并处理离群值。我将在今天晚些时候更新一些识别异常值的策略的答案和分析。以下是快速更新。

在删除了最后两个数据点的情况下重新运行ets时，我得到了一个合理的预测。请看下面：

values.clean <- c(27, 27, 7, 24, 39, 40, 24, 45, 36, 37, 31, 47, 16, 24, 6, 21, 
                  35, 36, 21, 40, 32, 33, 27, 42, 14, 21, 5, 19, 31, 32, 19, 36, 
                  29, 29, 24, 42, 15)## Last two points removed

train_ts.clean<- ts(values.clean, frequency=12)
fit2.clean<-ets(train_ts.clean)  
ets.f.clean <- forecast(fit2.clean,h=24)
plot(ets.f.clean)

@forecaster当您考虑趋势和季节性活动时，最后一个值是离群值，但正确的是最后一个值38（倒数第二个值）不是离群值。这是测试/评估替代健壮方法的定义/教学时间。如果您没有识别并调整异常，则差异会夸大，导致找不到其他项。周期32也是一个异常值。周期3,32和1也是异常值。该系列的前17个值具有统计上的显着趋势，但此后从周期18开始减弱。因此，数据中确实有两个趋势。这里要吸取的教训是，不考虑任何趋势或趋势的特定形式和/或默认为自回归过程的特定形式的简单方法需要受到严重质疑。继续进行良好的预测应该考虑到在极限点（期间39）发现的异常活动的可能延续。这是不可能从数据中提取出来的。

这是一个可能有用的模型：

最终模型的统计信息在此处。“实际/适合和预测”图很有趣，因为它突出显示了异常活动。