Отсутствующие значения - модель Арима

Вот три способа сделать это:

library(lubridate)
library(xts)
library(dplyr)
library(forecast)

df$Date = mdy(df$Date)

Удаление воскресенья:

ts_no_sunday = df %>%
  filter(wday(df$Date) != 1) %>%
  {xts(.$Units, .$Date)}

plot(ts_no_sunday)

no_sunday_arima = auto.arima(ts_no_sunday)

plot(forecast(no_sunday_arima, h = 10))

Заменить воскресенья на НП:

ts_sunday = df %>%
  mutate(Units = replace(Units, which(wday(df$Date) == 1), NA)) %>%
  {xts(.$Units, .$Date)}

plot(ts_sunday)

sunday_arima = auto.arima(ts_sunday)

plot(forecast(sunday_arima, h = 10))

Интерполировать воскресенье:

ts_interp = df %>%
  mutate(Units = replace(Units, which(wday(df$Date) == 1), NA),
         Units = na.approx(Units)) %>%
  {xts(.$Units, .$Date)}

plot(ts_interp)

interp_arima = auto.arima(ts_interp)

plot(forecast(interp_arima, h = 10))

Примечания:

Как видно, прогнозы у них разные. Это связано с тем, что первый временной ряд нерегулярный, второй - обычный временной ряд с пропущенными значениями, а третий - обычный временной ряд с интерполированными данными. На мой взгляд, лучший способ справиться с отсутствующими значениями - это интерполировать перед подгонкой ARIMA, поскольку ARIMA предполагает, что временные ряды имеют регулярные интервалы. Однако это также зависит от того, действительно ли отсутствуют ваши «недостающие» точки данных, а не от остановки активности. Первое следует обрабатывать с помощью интерполяции, тогда как для второго вам может быть лучше удалить воскресенья и обрабатывать временные ряды так, как будто воскресенья не существует.

См. Это обсуждение Как обрабатывать несуществующие или отсутствующие данные? и это на Использование пакета прогнозов R с отсутствующими значениями и / или нерегулярными временными рядами

В принципе, вы можете использовать комбинацию imputeTS (для заполнения НП) - прогноз (для выполнения прогноза).

Сделать это довольно просто:

library("imputeTS")
library("forecast")
ts_sunday %>% na_kalman() %>% auto.arima() %>% forecast(h=10)

Сделал бы эту работу. Но в этом конкретном случае это было бы плохой идеей. Если данные будут отсутствовать случайно, вы можете рассмотреть это решение. Но это не так - всегда не хватает воскресенья. Некоторые модели временных рядов также могут иметь дело с НА и по-прежнему строить модель (но недостатки почти такие же, как и в предыдущем решении). Как модель должна относиться к воскресеньям, поскольку они никогда не соблюдаются ... Вероятно, лучшее решение (с точки зрения статистики) - это то, что avid_useR описал в другом ответе как полное удаление воскресенья. Если вам не нужны воскресенья - и в любом случае нет значений для воскресенья, просто удалите их. Но обычно это рано или поздно приводит к следующему вопросу… «как относиться к государственным праздникам», которые также часто являются АН. Также всегда помните о своей проблеме - одно решение может подходить для одной ситуации, а для другого это может не иметь смысла.