forecast::accuracy对相同白噪声模型计算结果不一致问题求助

差异来源 #

• 拟合值的计算与对齐逻辑不同
  auto.arima()会自动对输入序列做na.omit()处理，仅基于有效数据（非NA部分）拟合模型，生成的拟合值也只对应有效数据的位置；而Arima()强制拟合时，会保留原始序列的长度，拟合值数组开头会对应原始序列的NA位置生成NA。虽然accuracy()会自动剔除NA参与计算，但两者内部记录的训练集元数据（比如序列长度、索引）不同，可能导致部分计算逻辑的细微差异。

• MASE的基准误差计算差异
  MASE的计算依赖于朴素基准模型的误差，auto.arima()使用的是na.omit()后的序列计算基准误差；而Arima()基于原始序列的非NA部分计算，两者的基准误差分母可能因序列对齐方式不同而出现差异，最终导致MASE结果不同。

• Box-Cox变换的自动应用差异
  auto.arima()默认会自动检测是否需要进行Box-Cox变换（lambda=NULL），即使最终选择ARIMA(0,0,0)模型，也可能先对序列做变换后拟合均值，再反变换回原始尺度得到拟合值；而手动调用Arima()时，默认不会自动执行变换，直接拟合原始序列的均值。两种方式得到的拟合值存在差异，自然会导致MPE、MAPE这类依赖拟合值与观测值比值的指标不同。

新精度指标的可信度 #

当你截取第一个非NA值后的序列重新拟合时：

• 若确保两个函数的参数完全一致（比如关闭自动Box-Cox变换：lambda=1，关闭近似计算approximation=FALSE，stepwise=FALSE，同时保证allowmean和include.mean均为TRUE），两者的精度指标应该完全一致。
• 若仍有差异，大概率是参数设置不一致导致的，排查参数后即可得到一致结果。
• 重新拟合后的指标是可信的：你使用了完整的有效序列，规避了原始序列缺失值带来的计算歧义，只要参数设置正确，指标能准确反映白噪声模型在你的数据上的拟合效果。

内容的提问来源于stack exchange，提问作者Nino Molin