如何修正我的VAR模型预测？

Question

我使用带有外生变量的向量自回归模型对具有季节性的每日订单进行建模。我使用了'vars‘包，它具有适合模型的函数。我在没有使用外生变量的情况下得到了预测，但我必须包括它们。当我将它们包括在内时，我的预测就变成了NAs。我不明白为什么会发生这种事。我的外生变量矩阵包括营销信息和大量的0和1。它是一个1218 x 123大小的矩阵。我的内生变量是一个1218x4大小的矩阵。下面是R代码。我真的需要帮助如何用我的预测来解决这个问题。

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)

(x2是具有相同外部变量的254x123缩减大小的矩阵。n.ahead必须等于x2中的观察值数量)

$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

使用与模型中的外部变量相同的虚拟变量可能会导致一些问题，因为我认为一些关系将以无法计算的方式结束。

我不认为我能完全回答你的问题，尽管看着你的模型，我会说你的滞后(p)是相当大的-我会尝试使用VAR函数中的AIC最优滞后来设置它。

此外，尽管您的模型变量可能非常简单，在某些地方包含0和1，但您仍然扩展了此类模型的能力(结果是输出的可行性/可信度)，因为您对变量数量的观察数量相对较少。

我知道，对于我使用VAR (package: vars)完成的许多模型，随着我添加更多变量，结果会慢慢失去重要性和可信度。首先尝试做一些更小的变量篮子，这些变量在一起是有意义的，甚至先做一些成对测试。

如果您这样做了，您可以尝试在VAR模型中使用数量较少的变量全部作为内生变量。