利用AICc技术选择滞后预测因子

Question

我正在尝试确定要包含在我的时间序列模型中的滞后预测因子。所以我拟合了一个TSLM，自变量的滞后高达3

lag_models <- data_train %>% model(
    ts_lag_0 = TSLM(Y ~ X)
  , ts_lag_1 = TSLM(Y ~ X + lag_X_01)
  , ts_lag_2 = TSLM(Y ~ X + lag_X_01 + lag_X_02)
  , ts_lag_3 = TSLM(Y ~ X + lag_X_01 + lag_X_02 + lag_X_03)
 )

data_train包含交叉验证数据。

lag_models %>% glance()

运行上面的代码，我通过.id的滞后预测模型得到了AIC，AICc，BIC等。我想知道是否有可能在不使用group_by()和summarize()的情况下，仅按模型按模型提取这些指标。

非常感谢。

Answer 1

当使用交叉验证时，您将在数据的每个折叠/切片上估计一个模型。因此，您将收到一组汇总统计信息(AIC、AICc、BIC等)。对于每个估计的模型。如果您使用group_by()和summarise()将它们组合在一起，您将使用具有不同响应数据的模型组合汇总信息-不建议这样做，因为当响应数据变化时，信息标准是不可比较的。

如果您想使用交叉验证来比较每个模型的性能，您可以使用accuracy()来使用样本外精度度量。使用fable进行交叉验证准确性评估的示例可在https://otexts.com/fpp3/tscv.html中找到