Como posso usar o comando `td` do pacote` tempdisagg` para desagregar os dados mensais na frequência diária de dados?

Tenho dados de frequência mensal que estou tentando desagregar em dados de frequência diária. Então, eu uso o tdcomando do tempdisaggpacote em R usando o código abaixo:

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

Então eu recebo a seguinte mensagem de erro:

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

Os dados que eu uso datsão os seguintes:

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

Portanto, embora esses dados datestejam em frequência mensal, o início e o fim ainda não refletem isso. De fato, a data de início é 1/1997 e a data de término é 9/2019.

Posso obter ajuda para desagregar esses dados mensais datem dados de frequência diária, por favor?

Parece que o pacote tempdisagg não permite a desagregação mensal ou diária. Do td()arquivo de ajuda 'para' argumento:

frequência de destino de alta frequência como uma sequência de caracteres ("trimestral" ou "mensal") ou como escalar (por exemplo, 2, 4, 7, 12). Se as séries de entrada forem objetos ts, o argumento será necessário se nenhum indicador for fornecido. Se as séries de entrada são vetores, deve ser um escalar indicando a taxa de frequência.

Sua mensagem de erro "argumento 'to': seqüência de caracteres desconhecida" é porque o to =argumento aceita apenas 'trimestral' ou 'mensal' como seqüências de caracteres.

Há alguma discussão sobre como desagregar dados mensais diariamente na pilha de estatísticas aqui: /stats/258810/disaggregate-monthly-forecasts-into-daily-data

Após algumas pesquisas, parece que ninguém usa consistentemente dados desagregados mensalmente e diariamente. O tempdisaggpacote parece ser capaz do que a maioria dos outros considerou possível - anual a trimestral ou mensal, e períodos consistentes até múltiplos.

Eric, adicionei um script abaixo que deve ilustrar o que você está tentando fazer, como eu o entendo.

Aqui, usamos dados reais de preços para passar dos preços diários -> preços mensais -> retornos mensais -> retornos médios diários.

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))

Aqui estão três gráficos mostrando 1. somente retornos mensais, 2. média diária dos retornos mensais, 3. ambos juntos. Como são idênticas, a plotagem na terceira imagem mostra apenas uma.