- bounty将在5天后过期**。回答此问题可获得+50的声誉奖励。stats_noob正在寻找来自声誉良好来源的答案：你好!我正在尝试使用LOOCV（留一个我们的交叉验证）为ARIMA时间序列模型使用R。我不知道我是否正确地这样做-有人能帮助我吗？谢谢!
我有以下数据集：
weeks <- rep(seq(as.Date("2010-01-01"), as.Date("2023-01-01"), by = "week"), each = 1)
counts <- rpois(length(weeks), lambda = 50)
df <- data.frame(Week = as.character(weeks), Count = counts)我试图用一个时间序列模型来拟合这些数据，并执行LOOCV（Leave One Out Cross Validation，留一交叉验证），即：
- 我想使模型拟合70%的数据（按时间顺序）
- 预测下一个点（horizon = 1）
- 记录此预测的误差
- 预测下一个点，记录误差
- 重复直至完成剩余30%-记录最终平均误差（RMSE、MAE）
使用这篇文章作为参考（http://freerangestats.info/blog/2019/07/20/time-series-cv），我尝试编写一个循环来执行这个过程。
首先，我设置了循环的要求：
# Split data into training and test sets
train_size <- floor(0.7 * nrow(df))
train <- df[1:train_size, ]
test <- df[(train_size + 1):nrow(df), ]
# Fit ARIMA model to training data
model <- auto.arima(train$Count)
# Initialize vector to store prediction errors
errors <- vector("numeric", length = nrow(test))
rmse_vec <- numeric()
mae_vec <- numeric()接下来，我尝试运行循环：
# Loop over test set
for (i in seq(train_end+1, n)) {
# Split data into training and validation sets
train <- df[1:(i-1), ]
val <- df[i:(i+1), ]
# Fit ARIMA model to training data
model <- auto.arima(train$Count)
# Forecast one step ahead using the model and record error
fc <- forecast(model, h = 1)
error <- val$Count - fc$mean
# Record RMSE and MAE
rmse_vec[i - train_end - 1] <- sqrt(mean(error^2))
mae_vec[i - train_end - 1] <- mean(abs(error))
# Update training data with actual count
train$Count <- c(train$Count, val$Count[1])
}
# Compute mean RMSE and MAE
mean_rmse <- mean(rmse_vec)
mean_mae <- mean(mae_vec)- 问题：**但是，此代码显示以下错误：
Error in `-.default`(val$Count, fc$mean) :
time-series/vector length mismatch有人能告诉我如何解决这个问题吗？我对时间序列模型的LOOCV操作正确吗？
谢谢!
- 注意**：我不确定LOOCV是不是通常在时间序列模型上执行的--也许这里有人知道？
1条答案
按热度按时间unguejic1#
出现您看到的错误是因为
val$Count和fc$mean的长度不同。val$Count是单个值，而fc$mean是长度为1的向量。因此，当您尝试将它们相减时，会出现长度不匹配错误。要解决这个问题，你可以使用
as.numeric(fc$mean)或fc$mean[1]来提取fc$mean的值，这会给予你一个可以从val$Count中减去的值，下面是修正后的循环：注意，我对循环做了一些其他的修改。首先，我把
val <- df[i:(i+1), ]修改为val <- df[i, ]。这是因为我们想要预测下一个点（horizon = 1），所以我们只需要提前一步预测。第二，我将rmse_vec[i - train_end - 1]更改为rmse_vec[i - train_size]，将mae_vec[i - train_end - 1]更改为mae_vec[i - train_size]，这是因为您的代码中没有定义train_end，但是定义了train_size，并且train_size表示训练集中的行数。关于是否正确地对时间序列模型执行LOOCV，您正在使用的方法称为滚动原点或移动窗口交叉验证。LOOCV涉及将模型拟合到除一个观测之外的所有数据，并使用该观测验证模型。滚动原点是一种更实用的时间序列数据方法，因为它考虑了数据的时态结构。