Wie kann ich den Befehl `td` aus dem Paket` tempdisagg` verwenden, um monatliche Daten in tägliche Datenhäufigkeit zu disaggregieren?

Ich habe monatliche Frequenzdaten, die ich in tägliche Frequenzdaten aufteilen möchte. Also benutze ich den tdBefehl aus dem tempdisaggPaket in R mit dem folgenden Code:

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

Dann erhalte ich folgende Fehlermeldung:

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

Die Daten, für die ich verwende, datlauten wie folgt:

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

Obwohl diese Daten datmonatlich vorliegen, spiegeln Start und Ende dies noch nicht wider. Tatsächlich ist das Startdatum 1/1997 und das Enddatum 9/2019.

Darf ich datbitte Hilfe bei der Aufteilung dieser monatlichen Daten in tägliche Frequenzdaten erhalten?

Es sieht so aus, als ob das Tempdisagg-Paket keine monatliche bis tägliche Disaggregation zulässt. Aus dem td()Argument 'bis' der Hilfedatei:

Hochfrequenz-Zielfrequenz als Zeichenfolge ("vierteljährlich" oder "monatlich") oder als Skalar (z. B. 2, 4, 7, 12). Wenn die Eingabeserien ts Objekte sind, ist das Argument erforderlich, wenn kein Indikator angegeben ist. Wenn die Eingangsreihen Vektoren sind, muss to ein Skalar sein, der das Frequenzverhältnis angibt.

Ihre Fehlermeldung "'to' Argument: unbekannte Zeichenfolge" ist, weil die to = Argument nur 'vierteljährlich' oder 'monatlich' als Zeichenfolgen akzeptiert.

Es gibt einige Diskussionen über die Disaggregation von monatlichen Daten zu täglichen Daten auf dem Statistik-Stapelaustausch hier: /stats/258810/disaggregate-monthly-forecasts-into-daily-data

Nach einigem Suchen sieht es so aus, als würde niemand konsequent disaggregierte monatliche bis tägliche Daten verwenden. Das tempdisaggPaket scheint in der Lage zu sein, das zu tun, was die meisten anderen für möglich gehalten haben - jährlich bis vierteljährlich oder monatlich und Zeiträume, die sogar um ein Vielfaches konsistent sind.

Eric, ich habe unten ein Skript hinzugefügt, das veranschaulichen soll, was Sie versuchen, so wie ich es verstehe.

Hier verwenden wir reale Preisdaten, um von Tagespreisen -> monatlichen Preisen -> monatlichen Renditen -> durchschnittlichen täglichen Renditen zu wechseln.

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))

Hier sind drei Diagramme, die 1. nur monatliche Renditen, 2. Tagesdurchschnitt aus monatlichen Renditen, 3. beide zusammen zeigen. Da sie identisch sind, zeigt die Überzeichnung im dritten Bild nur eine.