fable 中的预测功能是否提供一步预测？

如上所述here https://otexts.com/fpp2/forecasting-on-training-and-test-sets.html，在测试集中进行一步预测是避免随着预测范围的增加而不可避免地增加方差的一种方法。该部分提到的是使用已经训练好的模型对测试集执行一步预测的方法，对于forecast包裹。是否有类似的方法使用较新的方法对测试数据执行一步预测fable包裹？或许是new_data参数描述在这里，例如 https://fable.tidyverts.org/reference/forecast.ARIMA.html处理这个问题，但我不确定，因为两者的预测h = 24 and new_data = x_test下同：

> library(fable)
> library(fabletools)
> x <- USAccDeaths %>%
+   as_tsibble()
> x
# A tsibble: 72 x 2 [1M]
      index value
      <mth> <dbl>
 1 1973 Jan  9007
 2 1973 Feb  8106
 3 1973 Mar  8928
 4 1973 Apr  9137
 5 1973 May 10017
 6 1973 Jun 10826
 7 1973 Jul 11317
 8 1973 Aug 10744
 9 1973 Sep  9713
10 1973 Oct  9938
# … with 62 more rows
> x_train <- x %>% filter(year(index) < 1977)
> x_test <- x %>% filter(year(index) >= 1977)
> fit <- x_train %>% model(arima = ARIMA(log(value) ~ pdq(0, 1, 1) + PDQ(0, 1, 1)))
> fit
# A mable: 1 x 1
                      arima
                    <model>
1 <ARIMA(0,1,1)(0,1,1)[12]>
> nrow(x_test)
[1] 24
> forecast(fit, h = 24)$.mean
 [1]  7778.052  7268.527  7831.507  7916.845  8769.478  9144.790 10004.816  9326.874  8172.226
[10]  8527.355  8015.100  8378.166  7692.356  7191.343  7751.466  7839.085  8686.833  9062.247
[19]  9918.487  9250.101  8108.202  8463.933  7958.667  8322.497
> forecast(fit, new_data = x_test)$.mean
 [1]  7778.052  7268.527  7831.507  7916.845  8769.478  9144.790 10004.816  9326.874  8172.226
[10]  8527.355  8015.100  8378.166  7692.356  7191.343  7751.466  7839.085  8686.833  9062.247
[19]  9918.487  9250.101  8108.202  8463.933  7958.667  8322.497

答案和代码

The model参数可用于许多模型{forecast}包相当于refit()方法中的{fable}包裹。当与未来数据一起使用时，它可用于从模型生成多个一步预测。

library(forecast)
fit <- head(USAccDeaths, -24) %>% 
  auto.arima()
fit_test <- tail(USAccDeaths, 24) %>% 
  Arima(model = fit)
accuracy(fit_test)
#>                    ME     RMSE      MAE       MPE      MAPE      MASE
#> Training set 22.45098 167.0648 85.59724 0.2382773 0.9327587 0.3298545
#>                    ACF1
#> Training set -0.0968173

library(fable)
library(dplyr)
us_accidental_deaths <- as_tsibble(USAccDeaths)
fit <- head(us_accidental_deaths, -24) %>% 
  model(ARIMA(value))
fit_test <- refit(fit, tail(us_accidental_deaths, 24), reestimate = FALSE)
accuracy(fit_test)
#> # A tibble: 1 x 10
#>   .model       .type       ME  RMSE   MAE   MPE  MAPE  MASE RMSSE    ACF1
#>   <chr>        <chr>    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>   <dbl>
#> 1 ARIMA(value) Training  22.5  167.  85.6 0.238 0.933 0.330 0.490 -0.0968

^{Created on 2020-10-13 by the reprex package https://reprex.tidyverse.org (v0.3.0)}

解释

The fitted()模型的值是一步预测，可用于评估“训练准确性”性能（训练数据的预测准确性）。然而有一个问题 - 模型的估计参数基于整个训练集，因此训练精度比预期的要好（模型包含有关其拟合的未来的一些信息）。

The forecast()函数用于生成模型从未见过的未来时间点的预测。您可以使用以下方法生成单个一步预测forecast(<mable>, h = 1)。然而，这只能产生一个预测。相反，我们希望生成一个超前预测，向模型添加一个新观测值，然后在该新观测值之外生成另一个超前预测（重复操作，直到用完数据）。

这就是refit()功能很有用。它采用现有模型，并将其应用到新数据集。这一改装过程涉及计算数据的一步预测（fitted()值）。通过设置reestimate = FALSE，模型的估计系数将不会更新以更好地适应新的“未来”数据。这解决了模型系数的问题，其中包含有关我们正在测试预测准确性的未来值的一些信息。