Question

我生成了自己虚构的销售数据，以便执行时间序列分析。

它应该代表一个成长中的公司，因此我与趋势合作。但是，我阅读了一些教程并经常阅读信息，auto.arima函数不应预测非平稳时间序列。

但我收到的结果很有意义，如果我想区分数据（我也这样做），输出没有多大意义。

所以我的问题就出现了：我可以将auto.arima函数与我的数据一起使用，这显然有趋势吗？

提前致以最诚挚的问候和谢意，旧金山

eps <- rnorm(100, 30, 20)
trend <- seq(1, 100, 1)
trend <- 3 * trend
Sales <- trend + eps
timeframe<-seq(as.Date("2008/9/1"),by="month",length.out=100)
Data<-data.frame(Sales,timeframe) 

plot(Data$timeframe,Data$Sales)

ts=ts(t(Data[,1]))
plot(ts[1,],type='o',col="black")

md=rwf(ts[1,],h=12,drift=T,level=c(80,95))
auto.arima(ts[1,])

使用预测功能可以绘制下一年的预期销售额：plot(forecast(auto.arima(ts[1,]),h=12))

将预测功能与我们的自动ARIMA一起使用可以帮助我们规划下一个季度

forecast(auto.arima(ts[1,]),h=4)
plot(forecast(auto.arima(ts[1,])))

另一种方法是使用自动曝光功能

fc<-forecast(ts[1,])
autoplot(fc)

下一步是分析我们的时间序列。我执行adf test，它具有数据非平稳的零假设。因此，对于5％的默认阈值，我们的p值必须大于0.05才能被认证为非静态。

library(tseries)
adf=adf.test(ts[1,])
adf

输出表明数据是非平稳的：

acf
acf=Acf(ts[1,])
Acf(ts[1,])

自相关性几乎稳定下降，这也指向非平稳数据。执行kpss.test应该验证我们的数据是非平稳的，因为它的无效假设与adf测试相反。

我们是否期望值小于0.05

kpss=kpss.test(ts[1,])
kpss

我们收到0.01的p值，进一步证明数据有趋势

ndiffs(ts[1,])

diff.data=diff(ts[1,])
auto.arima(diff.data)
plot(forecast(diff.data))

Answer 1

要回答您的问题 - 是，您可以在预测包中使用非静止数据中的auto.arima（）函数。

如果您查看auto.arima（）的帮助文件（键入？auto.arima），您会看到它说明您可以选择指定＆＃34; d＆＃34;参数 - 这是差分的顺序 - 第一顺序意味着您将数据差异一次，第二顺序意味着您将数据差异两次等。您也可以选择不指定此参数，在这种情况下，auto.arima（）函数将使用＆＃34; kpss＆＃34;确定适当的差分顺序测试。还有其他单位根测试，例如Augmented Dickey-Fuller，您可以通过设置test =＆＃34; adf＆＃34;来选择在auto.arima函数中使用。这真的取决于你的偏好。

有关auto.arima功能的更多信息，请参阅第11页及后续页面：

https://cran.r-project.org/web/packages/forecast/forecast.pdf

R

1 个答案: