fable Prophet无report()支持，如何提取模型方程与量化变量影响？

一、解释tidy(fit)中的c变量系数 #

从tidy(fit)中提取的c变量系数，可直接解读为：在控制a、b、d、e等其他所有自变量不变的前提下，当c从0（未发生干预）切换为1（发生干预）时，目标变量Value的平均变化量。因为c是二元变量，这个系数就是该干预事件带来的边际效应——符号代表影响方向（正为提升、负为下降），数值代表平均影响幅度。

二、量化c的归因：单模型模拟法（替代双模型对比） #

你担心双模型对比不可靠是合理的：去掉c后，模型会重新拟合其他变量的系数，可能导致c的影响被其他变量“吸收”，无法准确孤立c的作用。更可靠的方法是基于已拟合的单个模型，通过模拟c未发生的场景来对比差异：

步骤1：准备预测数据集 #

基于原数据的时间范围（如需预测未来可扩展时间），生成包含所有xreg变量的完整时间序列框架：

# 生成包含全时间点的数据集，若需预测未来可调整seq的结束时间
pred_data <- data %>% 
  index_by(Date) %>% 
  slice(1) %>% 
  complete(Date = seq(min(Date), max(Date), by = "month")) %>% 
  left_join(data, by = "Date") %>% 
  # 填充每月天数a，其他xreg变量保留真实值
  mutate(a = lubridate::days_in_month(Date))

步骤2：生成“c未发生”的模拟数据集 #

复制预测数据集，将c变量全部设为0（假设c=0代表未发生干预）：

pred_data_no_c <- pred_data %>% 
  mutate(c = 0)
# 若c仅在特定时间段发生，可仅将对应时段的c设为0，其余保留真实值

步骤3：分别预测两种场景 #

用已拟合的fit模型，对两个数据集进行预测：

# 真实场景预测（包含c的实际影响）
forecast_actual <- fit %>% 
  forecast(new_data = pred_data) %>% 
  mutate(scenario = "实际发生c")

# 模拟场景预测（假设c未发生）
forecast_no_c <- fit %>% 
  forecast(new_data = pred_data_no_c) %>% 
  mutate(scenario = "未发生c")

# 合并结果
forecast_combined <- bind_rows(forecast_actual, forecast_no_c)

步骤4：绘制归因曲线并量化影响 #

通过绘图对比两条曲线，差值即为c带来的影响：

library(ggplot2)

# 绘制对比曲线
ggplot(forecast_combined, aes(x = Date, y = .mean, color = scenario)) +
  geom_line() +
  labs(title = "变量c的归因影响", x = "日期", y = "Value预测值") +
  theme_minimal()

# 量化总影响：计算两个场景的累计/平均差值
impact_c <- forecast_combined %>% 
  pivot_wider(names_from = scenario, values_from = .mean) %>% 
  mutate(impact = `实际发生c` - `未发生c`) %>% 
  summarise(total_impact = sum(impact, na.rm = TRUE),
            avg_monthly_impact = mean(impact, na.rm = TRUE))

三、注意事项 #

• 确保xreg变量a（每月天数）在模拟数据集中用lubridate::days_in_month()准确计算，避免影响模型预测结果。
• 若c的干预仅在特定时间段发生，修改pred_data_no_c时仅需将对应时段的c设为0，其余保持真实值，模拟结果会更贴合实际。
• 可通过tidy(fit)中的c系数验证模拟结果：在其他变量稳定的时间段，两个场景的差值平均值应接近c的系数。

内容的提问来源于stack exchange，提问作者Cero