看起来你卡在了用tsCV评估固定参数tslm模型的关键点上，我来帮你拆解问题并给出解决方案：

问题根源 #

你的代码里有两个核心问题：

1. 预测函数逻辑错误：tsCV会每次传入一个截断后的训练序列x，但你直接调用forecast(x, ..., model=fit)——这里x是时间序列对象，不是tslm模型，所以会触发Unknown model class错误，导致tsCV返回全NA。
2. 固定参数的传递与newdata匹配问题：你想复用预拟合的fit模型，但没有处理交叉验证窗口中newdata（尤其是trend和pred_train）的对应关系，导致预测无法正确生成。

解决方案：固定参数的时间序列交叉验证实现 #

我们需要构建一个能复用预拟合模型、并自动匹配每个交叉验证窗口对应newdata的预测函数，具体步骤如下：

1. 明确数据索引对应关系 #

你的模型包含trend和pred_train两个变量：

• trend是基于原始训练数据的位置生成的（AirPassengers_train共100个观测，trend从1到100），所以AirPassengers_test的每个观测对应的trend应该从101开始递增。
• pred_train和pred_test分别对应训练集和测试集的外部变量，交叉验证时每个窗口的预测步长对应的pred值需要从pred_test中截取对应位置。

2. 修正后的完整代码 #

library(forecast)
library(ggfortify)
library(purrr) # 用于简化参数传递

# 准备原始数据
AirPassengers_train <- head(AirPassengers, 100)
AirPassengers_test <- tail(AirPassengers, 44)
pred_train <- ts(rnorm(100))
pred_test <- ts(rnorm(44))

# 预拟合固定参数的tslm模型
fit <- tslm(AirPassengers_train ~ trend + pred_train)

# 定义适配tsCV的固定参数预测函数
# x: tsCV传入的当前训练子序列（来自AirPassengers_test的截断）
# fit_model: 预拟合好的tslm模型
# h: 预测步长
fc_fixed <- function(x, fit_model, h) {
  # 获取当前训练子序列的长度
  n_current <- length(x)
  # 计算对应预测步长的trend值：延续训练集的trend索引
  new_trend <- (length(AirPassengers_train) + n_current + 1):(length(AirPassengers_train) + n_current + h)
  # 截取对应位置的pred_test值作为newdata的pred_train
  new_pred <- pred_test[(n_current + 1):(n_current + h)]
  # 用预拟合模型生成预测
  forecast(fit_model, newdata = data.frame(trend = new_trend, pred_train = new_pred))
}

# 执行时间序列交叉验证（支持1-3步超前预测）
tscv_results <- tsCV(
  y = AirPassengers_test,
  forecastfunction = function(x, h) fc_fixed(x, fit, h), # 用匿名函数传递预拟合模型
  h = 1:3
)

# 查看交叉验证结果（每行对应一个起始时间，每列对应步长）
print(tscv_results)

3. 关键细节解释 #

• trend变量的延续：因为tslm中的trend是线性递增的索引，必须和原始数据的位置严格对应，否则预测会完全偏离。
• 预测函数的参数适配：tsCV要求预测函数必须接收x和h两个参数，所以我们用匿名函数把预拟合的fit模型传递给自定义的fc_fixed函数。
• newdata的精准匹配：每个交叉验证窗口的预测步长对应的pred_train和trend都要和当前窗口的位置对齐，确保预测用的外部变量和时间趋势正确。

验证单步预测（可选） #

你可以单独测试一个窗口的预测是否正确：

# 取AirPassengers_test的前43个作为训练，预测第44个观测
test_subset <- head(AirPassengers_test, 43)
pred <- fc_fixed(test_subset, fit, h=1)
# 对比预测值和实际值
cat("预测值：", pred$mean, "\n实际值：", tail(AirPassengers_test, 1))

这样就能得到1-3步超前的交叉验证误差结果，完美实现你想要的固定参数模型评估需求。

内容的提问来源于stack exchange，提问作者stats-hb