不同R版本下forecast包LOESS时间序列预测结果差异求助

首先，你的核心问题是：在R 3.3.2中使用forecast包基于stl分解做naive时间序列预测，和R 3.4.1/R 3.2.1的结果差异极大，尤其是预测区间部分。我们可以从以下几个角度拆解原因并给出解决办法：

可能的原因 #

• forecast包版本迭代：R版本升级时，配套的forecast包通常也会更新。不同版本的forecast包对forecast.stl()函数中method="naive"的预测区间计算逻辑可能有调整——比如残差方差的估计方式、季节性成分的预测延续逻辑，这些都会直接影响最终的区间宽度。
• R基础库stl实现的细微变化：R 3.4.x对基础的stl()函数做了底层优化，即使你指定了完全相同的参数t.window=4, s.window="periodic", robust=TRUE，不同版本分解出的残差序列可能存在统计特性的差异，而naive预测的区间高度依赖残差的方差。

验证与解决步骤 #

1. 确认forecast包版本
   在两个R版本中分别运行：

   packageVersion("forecast")
   

   如果版本不一致，这大概率是问题根源。比如forecast包在v8.0版本后对stl预测的区间计算逻辑有过调整。

2. 对比stl分解的残差差异
   分别在两个版本中提取残差并统计其特性：

   wcfit <- stl(wcts, t.window=4, s.window="periodic", robust=TRUE)
   resid <- wcfit$time.series[, "remainder"]
   # 查看残差的标准差、分位数等
   sd(resid)
   quantile(resid, c(0.025, 0.975))
   

   如果残差的统计量存在明显差异，那么后续naive预测的区间自然会不同。

3. 手动复现R 3.3.2的预测逻辑
   如果你需要严格对齐R 3.3.2的结果，可以手动拆分预测步骤，不依赖forecast()的默认封装：

   # 1. 提取stl分解的各成分
   trend <- wcfit$time.series[, "trend"]
   seasonal <- wcfit$time.series[, "seasonal"]
   resid <- wcfit$time.series[, "remainder"]
   
   # 2. 对各成分分别做naive预测
   trend_fcast <- naive(trend, h=8)$mean
   seasonal_fcast <- naive(seasonal, h=8)$mean  # 因为s.window="periodic"，实际是重复最后一个周期的季节项
   resid_fcast <- naive(resid, h=8)
   
   # 3. 合并预测值并计算区间
   point_fcast <- trend_fcast + seasonal_fcast + resid_fcast$mean
   lo80 <- point_fcast + resid_fcast$lower[,1]
   hi80 <- point_fcast + resid_fcast$upper[,1]
   lo95 <- point_fcast + resid_fcast$lower[,2]
   hi95 <- point_fcast + resid_fcast$upper[,2]
   
   # 整理成数据框
   fcast_manual <- data.frame(Point=point_fcast, Lo80=lo80, Hi80=hi80, Lo95=lo95, Hi95=hi95)
   

   这种方式可以精准控制每个成分的预测逻辑，避免版本间封装函数的差异。

4. 锁定forecast包版本
   如果必须完全复刻R 3.3.2的结果，可以在R 3.4.1中安装对应版本的forecast包：

   # 先安装devtools
   install.packages("devtools")
   # 替换成你R 3.3.2中使用的forecast版本号
   devtools::install_version("forecast", version = "8.2")
   

附：你提供的两个版本输出对比 #

R 3.3.2 输出 #

Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
2017 Q1 3528.904 927.43592 6130.372 -449.6980 7507.506
2017 Q2 2619.054 17.58643 5220.522 -1359.5475 6597.656
2017 Q3 3393.551 792.08334 5995.019 -585.0506 7372.153
2017 Q4 647.000 -1954.46786 3248.468 -3331.6018 4625.602
2018 Q1 3528.904 -150.12735 7207.935 -2097.6888 9155.496
2018 Q2 2619.054 -1059.97684 6298.085 -3007.5383 8245.647
2018 Q3 3393.551 -285.47993 7072.582 -2233.0414 9020.144
2018 Q4 647.000 -3032.03113 4326.031 -4979.5926 6273.593

R 3.4.1 输出 #

Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
2017 Q1 3528.904 927.4359 6130.372 -449.698 7507.506
2017 Q2 2619.054 -1059.9768 6298.085 -3007.538 8245.647
2017 Q3 3393.551 -1112.3233 7899.426 -3497.589 10284.692
2017 Q4 647.000 -4555.9357 5849.936 -7310.204 8604.204
2018 Q1 3528.904 -2288.1552 9345.963 -5367.520 12425.328
2018 Q2 2619.054 -3753.2145 8991.323 -7126.490 12364.598
2018 Q3 3393.551 -3489.2858 10276.388 -7132.840 13919.942
2018 Q4 647.000 -6711.0623 8005.062 -10606.185 11900.185

内容的提问来源于stack exchange，提问作者Vikrant Verma