含季度虚拟变量的ARIMA预测报错及统计量输出问题咨询

很高兴能帮你解决这两个ARIMA模型的问题，咱们一个一个来拆解：

问题1：带外生回归项的ARIMA预测报错 #

当你的ARIMA模型包含xreg外生变量时，预测未来值必须提供对应预测期的外生变量数据——这就是你遇到Error in arima2(x, model, xreg = xreg, method = method) : No regressors provided报错的核心原因。模型训练时用了季度虚拟变量，预测阶段也得给未来3年的季度虚拟变量，模型才能生成预测值。

解决方案 #

先构造未来12个季度（3年）的季度虚拟变量，再传入forecast()的xreg参数即可：

# 生成未来3年的季度时间序列框架
future_ts <- ts(start = 2016, frequency = 4, end = 2018)
# 生成对应季度的虚拟变量（Q4作为基准组，无需单独传入）
future_qdummies <- seasonaldummy(future_ts)

# 带外生变量做预测并绘图
fc <- forecast(fit_y, h = 12, xreg = future_qdummies)
plot(fc)

顺带提一句，训练期的虚拟变量也可以用seasonaldummy(y)一键生成，比手动绑定Q1-Q3更简洁哦。

问题2：获取ARIMA模型的t统计量和p值 #

首先要纠正一个小错误：你用coeftest(y)是不对的，第一个参数应该是你的模型对象fit_y，而不是原始序列y~

另外，forecast包的Arima()用极大似然（ML）估计时，系数的渐近分布默认是正态的，所以coeftest()默认返回z值。如果想要基于t分布的统计量和对应的p值，有两种方法：

方法1：手动计算（直观可控） #

从模型对象中提取系数、标准误，手动计算t统计量和p值：

# 提取模型系数和标准误
model_coefs <- coef(fit_y)
model_ses <- sqrt(diag(vcov(fit_y)))

# 计算t统计量
t_stats <- model_coefs / model_ses

# 计算p值：自由度 = 样本量 - 模型参数总数
df <- length(y) - length(model_coefs)
p_vals <- 2 * pt(abs(t_stats), df = df, lower.tail = FALSE)

# 整理成易读的数据框
model_summary <- data.frame(
  Coefficient = model_coefs,
  Std_Error = model_ses,
  t_Statistic = t_stats,
  p_Value = p_vals
)
print(model_summary)

方法2：用coeftest指定t分布 #

借助lmtest包的coeftest()，手动传入自由度，让它直接输出t统计量：

library(lmtest)
# 计算自由度
df <- length(y) - length(coef(fit_y))
# 指定t分布做系数检验
coeftest(fit_y, df = df)

内容的提问来源于stack exchange，提问作者Hisham