假设我有一些时间序列如下,我想预测c1
一步一步,这样做在R中非常简单直接:
testurl = "https://docs.google.com/spreadsheets/d/1jtpQaSxNY1V3b-Xfa5OJKDCLE6pNlzTbwhSHByei4EA/pub?gid=0&single=true&output=csv"
test = getURL(testurl)
mydata = read.csv(textConnection(test), header = TRUE)
data <- ts(mydata['c1'])
fit <- auto.arima(data)
fcast <- forecast(fit)
fcast
请注意,这些数字只是随机数,auto.arima建议我们使用arima(0,1,0)
,预测一步是52。
但是,如果想要使用c2
和c3
来改善(例如aic和bic)样本预测,该怎么办?那个人怎么会继续呢?
c1 c2 c3
40 0,012 1
41 0,015 1
42 0,025 1
40 −0,015 1
44 0,000 0
50 0,015 0
52 0,015 1
51 0,020 1
50 0,025 1
52 0,030 0
53 0,045 1
52 0,030 1
52 0,025 0
52 0,000 0
51 0,010 0
50 −0,02 1
48 −0,025 1
49 −0,030 1
51 −0,040 1
52 −0,350 0
答案 0 :(得分:5)
如果我理解正确,您正试图通过xreg
中的auto.arima()
为您的数据拟合动态回归模型。您可以使用以下内容自动确定模型拟合:
tsdata <- ts(mydata)
fit <- auto.arima(tsdata[,1], xreg = as.matrix(mydata[,2:3]))
要生成提前一步预测,您需要向预测函数中的matrix
参数提供C2
和C3
的未来值xreg
。你可以这样做的一种方法是:
fc.c2 <- forecast(tsdata[,2], h = 1)
fc.c3 <- forecast(tsdata[,3], h = 1)
newxreg <- as.matrix(cbind(fc.c2$mean, fc.c3$mean))
fc.c1 <- forecast(fit, xreg = newxreg)