Aylık verileri günlük veri frekansına ayırmak için tempdisagg paketindeki `td` komutunu nasıl kullanabilirim?

Günlük sıklık verilerine ayırmaya çalıştığım aylık sıklık verilerim var. Bu yüzden aşağıdaki kodu kullanarak R paketinden tdkomutu kullanın tempdisagg:

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

Sonra aşağıdaki hata iletisini alıyorum:

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

Benim için kullandığım veriler dataşağıdaki gibidir:

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

Dolayısıyla, bu veriler dataylık sıklıkta olsa da, başlangıç ​​ve bitiş henüz bunu yansıtmamaktadır. Aslında, başlangıç ​​tarihi 1/1997 ve bitiş tarihi 9/2019'dur.

Bu aylık verilerin datgünlük sıklık verilerine ayrıştırılması konusunda yardım alabilir miyim ?

Tempdisagg paketi aylıktan günlük ayrışmaya izin vermiyor gibi görünüyor. Gönderen td()argüman 'için' yardım dosyası:

karakter dizesi ("üç aylık" veya "aylık") veya skaler (ör. 2, 4, 7, 12) olarak yüksek frekanslı hedef frekansı. Giriş serisi ts nesnesiyse, hiçbir gösterge verilmezse argüman gereklidir. Giriş serileri vektörse, frekans oranını gösteren bir skaler olmalıdır.

Hata iletiniz "" ila "argüman: bilinmeyen karakter dizesi", to =bağımsız değişkenin yalnızca "üç aylık" veya "aylık" dizeler olarak kabul etmesidir.

Aylık verilerin günlük yığınına günlük ayrıştırılması hakkında bazı tartışmalar var: /stats/258810/disaggregate-monthly-forecasts-into-daily-data

Bazı aramalardan sonra, aylık olarak günlük verilere ayrıştırılmış olarak hiç kimse sürekli olarak kullanıyor gibi görünüyor. tempdisaggPaketi en diğerleri mümkün olduğu tespit ne yeteneğine sahip görünüyor - yılda dört, ya da aylık için ve tutarlı eşit katlı süreler.

Eric, aşağıya anlamaya çalıştığım şekilde ne yapmaya çalıştığınızı gösteren bir senaryo ekledim.

Burada günlük fiyatlardan -> aylık fiyatlardan -> aylık getirilerden -> ortalama günlük getirilerden hareket etmek için gerçek fiyatlandırma verilerini kullanıyoruz.

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))

İşte üç grafik gösteren 1. sadece aylık getiri, 2. aylık getiri günlük ortalama, 3. ikisi birlikte. Aynı olduklarından, üçüncü görüntüde fazla çizmek sadece bir tane gösterir.