我在使用statsmodels库来构建一个用于时间序列预测的ARIMAX模型。我有一个比较奇怪的问题 – 如何强制训练好的模型进行完全手动的点预测，通过明确提供endog和exog变量来进行预测？
为了给您一个概念，我使用2000年至2017年的年度数据来训练我的模型，预测公司未来的人力资源，基于前几年的劳动力数据和一系列的exog变量。这运作得很好。问题在于，2018年和2019年公司大幅增加了员工数量，这是一个一次性的商业决策，而且我们也知道基于2000年至2017年训练的模型从商业角度来看是“正确”的。
我想做的是使用基于2000年至2017年训练的模型，为2020年提供预测，同时明确提供2018年和2019年的“实际值”。这样我们可以确保模型不会尝试去拟合这个一次性的跳跃，从而降低其质量。但我该怎么做呢？请注意，我使用的是AR(2)模型 – 所以我需要提供前两年的数据。
我看到了一些statsmodels的方法，可以让您做到以下几点：
1) 选择训练好的ARIMAX模型
2) 明确提供前两年的exog变量值
3) 明确提供前两年的endog值
4) 只提供一个点预测
predict和forecast方法都允许您指定要预测的步数，但它们不允许明确提供新的endog值用于预测
回答：
在当前发布的版本（v0.10）中，您可以像下面这样做（请注意，要使其工作，您必须使用sm.tsa.SARIMAX模型，而不是例如sm.tsa.ARIMA模型）：
training_endog = endog.loc[:'2017']training_exog = exog.loc[:'2017']training_mod = sm.tsa.SARIMAX(training_endog, order=(2, 0, 0), exog=training_exog)training_res = training_mod.fit()mod = sm.tsa.SARIMAX(endog, order=(2, 0, 0), exog=exog)res = mod.smooth(training_res.params)print(res.forecast(1, exog=exog_fcast))注意：我们最近添加了一个新功能，使这种操作变得更加简单，这个功能在Github主存储库中可用，并且将在v0.11版本中发布（目前还没有发布时间表），您可以这样做：
training_endog = endog.loc[:'2017']training_exog = exog.loc[:'2017']training_mod = sm.tsa.SARIMAX(training_endog, order=(2, 0, 0), exog=training_exog)training_res = training_mod.fit()res = training_res.append(endog.loc['2018':], exog=exog.loc['2018':])print(res.forecast(1, exog=exog_fcast))