時間序列和不同時間尺度的滯後貢獻您好 JMP-Com，
我從一個客戶那裡得到了這個問題，他想在他們的應用程序中使用 ARIMA 模型或時間序列預測 (TSF)。
第一列是時間戳
第 2 列 - N 列有數據點
問題：ARIMA 平台或 TSF 能否說明來自不同時間尺度的滯後點的貢獻？
例如;假設我有月度銷售數據，並且我知道 4 月份的銷售額對 6 月份的銷售額有影響。 所以我知道 2 個月的滯後對我的模型很重要。 但是是否存在對今天也有影響的每週/每天/每小時的延遲？ 所以我知道 2 個月的滯後很重要，但我可以看看 3 週前的滯後是否也很重要嗎？
月和周在不同的時間尺度上，客戶有以分鐘為單位的數據。 但他們想知道哪個時間尺度對他們的時間序列模型最重要：每年、每季度、每月、每週。 並且如果時間序列模型可以使用來自不同時間尺度的滯後點。
謝謝你，
可愛的
回复：時間序列和不同時間尺度的滯後貢獻在 ARIMA 和指數平滑 (TSF) 中，只有一個時間尺度。
我可以想到幾種適應多種比例的方法：
- 使用更精細的時間尺度。 如果您有每月和每週的信息，請使用每週的信息。 每月的信息是從每週匯總而來的，或者每周是使用每月分發出去的。 如何聚合，如何分發，是接下來的問題。 還有什麼“滯後”將使用更精細的時間尺度，例如係列中的哪個“每週”時間點代表您需要參考的“每月”信息。
- 使用傳遞函數模型，它可以包含序列本身以外的信息。 例如適合“每月”系列，同時添加“每週”信息作為額外的“輸入”。 （但是要使用哪一周？ 所以使用更精細比例的第一個建議仍然是相關的。）
回复：時間序列和不同時間尺度的滯後貢獻只是提出一個瘋狂的想法來找到最合適的時間延遲，但不確定這是否會奏效。
您可能希望從您的時間列創建多個列以構建不同的時間滯後時間列。 然後使用結構方程模型為您的響應數據找到最具代表性的滯後。
它可能是用麻雀上的大象射擊，但可能有效；）
