如何确定多变量时间序列预测中的最显著预测因子

为什么普通Pearson相关不能直接用？ #

时间序列数据自带自相关性（比如本月销量和上月销量大概率高度相关），而Pearson相关的前提是数据独立同分布。直接用corr.test()这类工具会算出虚假的显著相关性——两个本来无关的序列，因为各自的自相关特性，会被误判为有线性关联，完全不可信。

适合时间序列的相关性计算与变量筛选方法 #

1. 偏相关系数：剔除自相关干扰的线性关联 #

偏相关可以控制序列自身的滞后影响，计算两个序列在排除各自自相关后的真实线性相关性，是时间序列变量筛选的基础方法。
用R的ppcor包实现：

# 安装并加载包
install.packages("ppcor")
library(ppcor)

# 假设你的数据框是ts_data，包含Sales、GDP、AdSpend等列
# 计算所有变量与Sales的偏相关系数及p值
pcor_output <- pcor(ts_data)
sales_pcor <- pcor_output$estimate["Sales", ]
sales_pval <- pcor_output$p.value["Sales", ]

# 筛选p值<0.05的显著自变量（排除Sales本身）
significant_vars <- names(sales_pval)[sales_pval < 0.05 & names(sales_pval) != "Sales"]

2. 交叉相关函数（CCF）：捕捉滞后相关性 #

很多时候自变量和销量的影响不是同期的（比如广告支出滞后1个月才拉动销量），CCF可以帮你找到两个序列在不同滞后阶数下的显著相关性：

# 以广告支出AdSpend和Sales为例
ccf_result <- ccf(ts_data$Sales, ts_data$AdSpend, plot = TRUE)
# 提取置信区间外的显著滞后阶数
sig_lags <- which(abs(ccf_result$acf) > qnorm(0.975)/sqrt(nrow(ts_data)))

如果某个自变量在特定滞后阶数有显著相关，可以把该滞后项（比如AdSpend_lag1）作为新特征加入后续模型。

3. 基于时间序列模型的逐步筛选 #

如果打算用ARIMAX、动态回归这类模型，可以直接通过模型的显著性检验或AIC/BIC指标来筛选变量：

library(forecast)
# 先转成时间序列对象（假设是月度数据）
ts_sales <- ts(ts_data$Sales, frequency = 12)
candidate_vars <- ts_data[, !colnames(ts_data) %in% "Sales"]
ts_candidates <- ts(candidate_vars, frequency = 12)

# 用逐步回归思路筛选自变量，自动选择AIC最小的模型组合
full_model <- auto.arima(ts_sales, xreg = ts_candidates)
step_model <- step(full_model, trace = FALSE)

# 最终模型里的自变量就是筛选后的结果
selected_vars <- colnames(step_model$xreg)

筛选后的验证步骤 #

• 用Box.test()检查筛选后模型的残差，确保残差无自相关，避免遗漏关键滞后项
• 对比包含/不包含筛选变量的模型预测精度（MAE、RMSE），确认筛选确实提升了预测效果

内容的提问来源于stack exchange，提问作者Timo