Auto.Arima转换时间序列和xreg相关性与滞后预测时间序列

时间:2016-03-17 05:09:44

标签: r time-series forecasting

我试图预测auto.arima()模型,如下所示。

我一般想知道是否有必要转换一个时间序列,使其在传递给auto.arima()之前与正态分布类似?

如果您的xreg=...预测变量与您尝试预测的时间序列的滞后相关,反之亦然,这也很重要吗?

代码:

tsTrain <-tsTiTo[1:60]
tsTest <- tsTiTo[61:100]


Xreg<-CustCount[1:100]

##Predictor
xregTrain2 <- Xreg[1:60]
xregTest2 <- Xreg[61:100]


Arima.fit2 <- auto.arima(tsTrain, xreg = xregTrain2)

Acast2<-forecast(Arima.fit2, h=40, xreg = xregTest2)

数据:

#dput(ds$CustCount[1:100])

CustCount = c(3, 3, 1, 4, 1, 3, 2, 3, 2, 4, 1, 1, 5, 6, 8, 5, 2, 7, 7, 3, 2, 2, 2, 1, 3, 2, 3, 1, 1, 2, 1, 1, 3, 2, 2, 2, 3, 7, 5, 6, 8, 7, 3, 5, 6, 6, 8, 4, 2, 1, 2, 1, NA, NA, 4, 2, 2, 4, 11, 2, 8, 1, 4, 7, 11, 5, 3, 10, 7, 1, 1, NA, 2, NA, NA, 2, NA, NA, 1, 2, 3, 5, 9, 5, 9, 6, 6, 1, 5, 3, 7, 5, 8, 3, 2, 6, 3, 2, 3, 1 )

# dput(tsTiTo[1:100])
tsTiTo = c(45, 34, 11, 79, 102, 45, 21, 45, 104, 20, 2, 207, 45, 2, 3, 153, 8, 2, 173, 11, 207, 79, 45, 153, 192, 173, 130, 4, 173, 174, 173, 130, 79, 154, 4, 104, 192, 153, 192, 104, 28, 173, 52, 45, 11, 29, 22, 81, 7, 79, 193, 104, 1, 1, 46, 130, 45, 154, 153, 7, 174, 21, 193, 45, 79, 173, 45, 153, 45, 173, 2, 1, 2, 1, 1, 8, 1, 1, 79, 45, 79, 173, 45, 2, 173, 130, 104, 19, 4, 34, 2, 192, 42, 41, 31, 39, 11, 79, 4, 79)

1 个答案:

答案 0 :(得分:0)

两个问题的答案都是“否”。请参阅下面的详细答案。

我总体上想知道是否有必要改造一个 时间序列,以便它在传递之前类似于正态分布 到auto.arima()吗?

不。对于时间序列数据,您希望正态分布的是创新错误。不是您要建模的时间序列。

这与线性回归模型相似,您不希望预测变量呈正态分布。这是您期望正态分布的错误。

如果您的xreg = ...预测变量与一个 您要预测的时间序列的滞后,反之亦然?

您希望xreg通过这种方式关联。我们正在键入要使用的信息,以寻找合适的预测模型。