Jak mogę użyć polecenia `td` z pakietu` tempdisagg`, aby rozdzielić dane miesięczne na częstotliwość danych dziennych?

Mam miesięczne dane o częstotliwości, które staram się podzielić na dane o częstotliwości dziennej. Więc używam tdpolecenia z tempdisaggpakietu w R, używając poniższego kodu:

 dat=ts(data[,2])
 result=td(dat~1, conversion = "average", to = "day", method = "chow-lin-maxlog")

Następnie pojawia się następujący komunikat o błędzie:

 Error in td(dat ~ 1, conversion = "average", to = "day", method = "chow-lin-maxlog") : 'to' argument: unknown character string

Dane, których używam, datsą następujące:

 > dput(head(dat))
 c(82.47703009, 84.63094431, 70.00659987, 78.81135651, 74.749746,82.95638213)

Więc chociaż dane te datsą z częstotliwością miesięczną, początek i koniec jeszcze tego nie odzwierciedlają. W rzeczywistości data początkowa to 1/1997, a data końcowa to 9/2019.

Czy mogę uzyskać pomoc w podziale tych miesięcznych danych datna dzienne dane dotyczące częstotliwości?

Wygląda na to, że pakiet tempdisagg nie pozwala na codzienną dezagregację. Z td()argumentu „do” pliku pomocy:

częstotliwość docelowa wysokiej częstotliwości jako ciąg znaków („kwartalny” lub „miesięczny”) lub jako skalar (np. 2, 4, 7, 12). Jeśli szereg wejściowy jest obiektem ts, argument jest konieczny, jeśli nie podano żadnego wskaźnika. Jeśli szeregami wejściowymi są wektory, musi to być skalar wskazujący stosunek częstotliwości.

Twój komunikat o błędzie „” na „argument: ciąg znaków nieznany” jest spowodowany tym, że to =argument przyjmuje tylko ciąg „ kwartalny” lub „miesięczny”.

Trwa dyskusja na temat dezagregacji danych miesięcznych do dziennych na stosie statystyk: /stats/258810/disaggregate-monthly-forecasts-into-daily-data

Po kilku poszukiwaniach wygląda na to, że nikt nie korzysta konsekwentnie z dezagregowanych danych miesięcznych do dziennych. ThetempdisaggPakiet wydaje się być zdolna do tego, co większość innych znalazły się możliwe - corocznie na kwartał lub co miesiąc, a okresy, które są zgodne nawet wielokrotności.

Eric, dodałem poniżej skrypt, który powinien ilustrować to, co próbujesz zrobić, tak jak rozumiem.

Tutaj wykorzystujemy rzeczywiste dane cenowe, aby przejść od cen dziennych -> cen miesięcznych -> miesięcznych zwrotów -> średnich dziennych zwrotów.

library(quantmod)
library(xts)
library(zoo)
library(tidyverse)
library(lubridate)

# Get price data to use as an example
getSymbols('MSFT')

#This data has more information than we want, remove unwanted columns:
msft <- Ad(MSFT) 

#Add new column that acts as an 'indexed price' rather than 
# actual price data.  This is to show that calculated returns
# don't depend on real prices, data indexed to a value is fine.
msft$indexed <- scale(msft$MSFT.Adjusted, center = FALSE)

#split into two datasets  
msft2 <- msft$indexed
msft$indexed <- NULL


#msft contains only closing data, msft2 only contains scaled data (not actual prices)
#  move from daily data to monthly, to replicate the question's situation.
a <- monthlyReturn(msft)
b <- monthlyReturn(msft2)

#prove returns based on rescaled(indexed) data and price data is the same:
all.equal(a,b)

# subset to a single year
a <- a['2019']
b <- b['2019']

#add column with days in each month
a$dim <- days_in_month(a) 
a$day_avg <- a$monthly.returns / a$dim  ## <- This must've been left out

day_avgs <- data.frame(day_avg = rep(a$day_avg, a$dim))


# daily averages timesereis from monthly returns.
z <- zoo(day_avgs$day_avg, 
         seq(from = as.Date("2019-01-01"), 
             to = as.Date("2019-12-31"), 
             by = 1)) %>%
  as.xts()

#chart showing they are the same:
PerformanceAnalytics::charts.PerformanceSummary(cbind(a$monthly.returns, z))

Oto trzy wykresy pokazujące 1. tylko miesięczne zwroty, 2. średnią dzienną z miesięcznych zwrotów, 3. oba razem. Ponieważ są one identyczne, nadpisywanie na trzecim obrazie pokazuje tylko jeden.