时间序列和不同时间尺度的滞后贡献您好 JMP-Com，
我从一个客户那里得到了这个问题，他想在他们的应用程序中使用 ARIMA 模型或时间序列预测 (TSF)。
第一列是时间戳
第 2 列 - N 列有数据点
问题：ARIMA 平台或 TSF 能否说明来自不同时间尺度的滞后点的贡献？
例如;假设我有月度销售数据，并且我知道 4 月份的销售额对 6 月份的销售额有影响。 所以我知道 2 个月的滞后对我的模型很重要。 但是是否存在对今天也有影响的每周/每天/每小时的延迟？ 所以我知道 2 个月的滞后很重要，但我可以看看 3 周前的滞后是否也很重要吗？
月和周在不同的时间尺度上，客户有以分钟为单位的数据。 但他们想知道哪个时间尺度对他们的时间序列模型最重要：每年、每季度、每月、每周。 并且如果时间序列模型可以使用来自不同时间尺度的滞后点。
谢谢你，
可爱的
回复：时间序列和不同时间尺度的滞后贡献在 ARIMA 和指数平滑 (TSF) 中，只有一个时间尺度。
我可以想到几种适应多种比例的方法：
- 使用更精细的时间尺度。 如果您有每月和每周的信息，请使用每周的信息。 每月的信息是从每周汇总而来的，或者每周是使用每月分发出去的。 如何聚合，如何分发，是接下来的问题。 还有什么“滞后”将使用更精细的时间尺度，例如系列中的哪个“每周”时间点代表您需要参考的“每月”信息。
- 使用传递函数模型，它可以包含序列本身以外的信息。 例如适合“每月”系列，同时添加“每周”信息作为额外的“输入”。 （但是要使用哪一周？ 所以使用更精细比例的第一个建议仍然是相关的。）
回复：时间序列和不同时间尺度的滞后贡献只是提出一个疯狂的想法来找到最合适的时间延迟，但不确定这是否会奏效。
您可能希望从您的时间列创建多个列以构建不同的时间滞后时间列。 然后使用结构方程模型为您的响应数据找到最具代表性的滞后。
它可能是用麻雀上的大象射击，但可能有效；）
