ARIMA预测

Question

我有一个时间序列数据，看起来像这样 Loan_drawn_date Loan_id Loan_amount id_001 2000000 2015-7-15 id_003 100 2014-7-8 id_009 78650 2012-12-23 id_990 100 2018-11-12 我试图在这个数据上建立一个Arima预测模型，这个模型大约有550个观测数据。以下是我所遵循的步骤

将时间序列数据转换为每日数据，并将NA值替换为0。数据如下所示

Loan_drawn_date Loan_id Loan_amount

id_001 2000000 2015-7-15

id_001 0 2015-7-16

id_001 0 2015-7-17

id_001 0 2015-7-18

id_001 0 2015-7-19

id_001 0 2015-7-20

……

id_003 100 2014-7-8

id_003 0 2014-7-9

id_003 0 2014-7-10

id_003 0 2014-7-11

id_003 0 2014-7-12

id_003 0 2014-7-13

……

id_009 78650 2012-12-23

id_009 0 2012-12-24

id_009 0 2012-12-25

id_009 0 2012-12-26

id_009 0 2012-12-27

id_009 0 2012-12-28

..。

id_990 100 2018-11-12

id_990 0 2018-11-13

id_990 0 2018-11-14

id_990 0 2018-11-15

id_990 0 2018-11-16

id_990 0 2018-11-17

id_990 0 2018-11-18

id_990 0 2018-11-19

有人能建议我现在如何处理这些0值吗？

看到贷款金额数字的差异，我将获取贷款金额的日志。我第一次尝试建立ARIMA模型，我已经读过所有的归责方法，但是我什么也找不到。有人能告诉我如何处理这些数据吗？

Answer 1

我不清楚具体的领域问题，但这些问题通常适用于一般情况：

1. 如果NA值表示域特定问题的0值，则将其替换为0，然后拟合ARIMA模型(例如，如果您查看每天的销售情况，有时您的销售额为0)
2. 如果NA值表示域特定问题的未知值，则不要替换它们，并与您的ARIMA模型相匹配。(如果在某一天，员工忘了记录销售额，而且可能是任何数字，情况就是如此)。

我可能根本就不会使用归罪。对于有缺失值的时间序列，有一些方法可以拟合ARIMA模型。通常，这些算法也应该在python中实现。(但我不知道，因为我主要是用R)