ARIMA模型,ARIMAX模型预测冰淇淋消费时间序列数据

news/2025/1/18 9:03:18/

全文下载链接:http://tecdat.cn/?p=22511

标准的ARIMA(移动平均自回归模型)模型允许只根据预测变量的过去值进行预测。

相关视频

该模型假定一个变量的未来的值线性地取决于其过去的值,以及过去(随机)影响的值。ARIMAX模型是ARIMA模型的一个扩展版本。它还包括其他独立(预测)变量。该模型也被称为向量ARIMA或动态回归模型。

ARIMAX模型类似于多变量回归模型,但允许利用回归残差中可能存在的自相关来提高预测的准确性。
本文提供了一个进行ARIMAX模型预测的练习。还检查了回归系数的统计学意义。

这些练习使用了冰淇淋消费数据。该数据集包含以下变量。

  • 冰淇淋消费(人均)

  • 每周的平均家庭收入

  • 冰淇淋的价格

  • 平均温度。

观测数据的数量为30个。它们对应的是1951年3月18日至1953年7月11日这一时间段内的四周时间。

练习1

加载数据集,并绘制变量cons(冰淇淋消费)、temp(温度)和收入。

826a69c3a0647102fc65e3aafae90f63.png

ggplot(df, aes(x = X, y = income)) +ylab("收入") +xlab("时间") +grid.arrange(p1, p2, p3, ncol=1, nrow=3)

9ba8d371cefa490dc8b4b91b7c547c05.png

练习 2 

对冰淇淋消费数据估计ARIMA模型。然后将该模型作为输入传给预测函数,得到未来6个时期的预测数据。

auto.arima(cons)

280f823745b164e3f915a7e5e71114e7.png

fcast\_cons <- forecast(fit\_cons, h = 6)

6587debd0bc9e7e75ecaf40efa8e15b8.png

练习3

绘制得到的预测图。

5350af1b55d22ba796598e5ef362c6b0.png


点击标题查阅往期内容

6e42cf1e7ee4d08b7b8a264fc92f24b7.jpeg

Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测

outside_default.png

左右滑动查看更多

outside_default.png

01

91ca63fca00b8970c867a797f76a6de1.png

02

fb7da2886a80d37af96f704d977425e3.png

03

1bb506958eb8986341547fcf3a8e0490.png

04

5e33ce75a2d9d2b389c8a92774e4f3fb.png

练习4

找出拟合的ARIMA模型的平均绝对误差(MASE)。

accuracy

478ed53018a4ae71159c2bbd320ea365.png

练习5

为消费数据估计一个扩展的ARIMA模型,将温度变量作为一个额外的回归因子(使用auto.arima函数)。然后对未来6个时期进行预测(注意这个预测需要对期望温度进行假设;假设未来6个时期的温度将由以下向量表示:

fcast_temp <- c(70.5, 66, 60.5, 45.5, 36, 28))

绘制获得的预测图。

39aafbb0cb350cbc747864a48d34eccc.png

练习6

输出获得的预测摘要。找出温度变量的系数,它的标准误差,以及预测的MASE。将MASE与初始预测的MASE进行比较。

summary(fca)

a9c3ec1829584d0058dea519e3e1cedc.png

温度变量的系数是0.0028

该系数的标准误差为0.0007

平均绝对比例误差为0.7354048,小于初始模型的误差(0.8200619)。

练习7

检查温度变量系数的统计意义。该系数在5%的水平上是否有统计学意义?

test(fit)

4d1b5a6ebad65e9f6f66bf9b0c61bc34.png

练习8

估计ARIMA模型的函数可以输入更多的附加回归因子,但只能以矩阵的形式输入。创建一个有以下几列的矩阵。

温度变量的值。
收入变量的值。
滞后一期的收入变量的值。
滞后两期的收入变量的值。
输出该矩阵。
注意:最后三列可以通过在收入变量值的向量中添加两个NA来创建,并将得到的向量作为嵌入函数的输入(维度参数等于要创建的列数)。

vars <- cbind(temp, income)
print(vars)

c71ee8316f77dadbb6165933acc2d02f.png

练习9

使用获得的矩阵来拟合三个扩展的ARIMA模型,使用以下变量作为额外的回归因子。

温度、收入。
温度、收入的滞后期为0、1。
温度,滞后期为0、1、2的收入。
检查每个模型的摘要,并找到信息准则(AIC)值最低的模型。
注意AIC不能用于比较具有不同阶数的ARIMA模型,因为观察值的数量不同。例如,非差分模型ARIMA(p,0,q)的AIC值不能与差分模型ARIMA(p,1,q)的相应值进行比较。

auto.arima(cons, xreg = var)
print(fit0$aic)

ae13975c2efef3373cd160b813c97540.png

可以使用AIC,因为各模型的参数阶数相同(0)。

AIC值最低的模型是第一个模型。

它的AIC等于-113.3。

练习10

使用上一练习中发现的模型对未来6个时期进行预测,并绘制预测图。预测需要一个未来6个时期的期望温度和收入的矩阵;使用temp变量和以下期望收入值创建矩阵:91, 91, 93, 96, 96, 96。
找出该模型的平均绝对比例误差,并与本练习集中前两个模型的误差进行比较。

267b0e82677063df76ffe5faa10ec401.png

3f4ec08d8792cb249741b4957f80afdf.png

带有两个外部回归因子的模型具有最低的 平均绝对比例误差(0.528)


fc829c9674526135516f0e835e23d263.jpeg

本文摘选《R语言ARIMA模型,ARIMAX模型预测冰淇淋消费时间序列数据,点击“阅读原文”获取全文完整资料。

7167bf64cef24963d6e1294eaf3fb8b4.jpeg

本文中的冰激凌数据分享到会员群,扫描下面二维码即可加群!

92e4d234753d309622deb971045e8d97.png

点击标题查阅往期内容

时间序列分析:ARIMA GARCH模型分析股票价格数据

多元时间序列滚动预测:ARIMA、回归、ARIMAX模型分析

【视频】时间序列分析:ARIMA-ARCH / GARCH模型分析股票价格

时间序列GARCH模型分析股市波动率

PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化

极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR:多元化投资组合预测风险测度分析

Garch波动率预测的区制转移交易策略

金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

时间序列分析模型:ARIMA-ARCH / GARCH模型分析股票价格

R语言风险价值:ARIMA,GARCH,Delta-normal法滚动估计VaR(Value at Risk)和回测分析股票数据

R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化

Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测

R语言GARCH-DCC模型和DCC(MVT)建模估计

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列

R语言中的时间序列分析模型:ARIMA-ARCH / GARCH模型分析股票价格

R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列

Python使用GARCH,EGARCH,GJR-GARCH模型和蒙特卡洛模拟进行股价预测

R语言时间序列GARCH模型分析股市波动率

R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计

Python使用GARCH,EGARCH,GJR-GARCH模型和蒙特卡洛模拟进行股价预测

使用R语言对S&P500股票指数进行ARIMA + GARCH交易策略

R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模

R语言股票市场指数:ARMA-GARCH模型和对数收益率数据探索性分析

R语言多元Copula GARCH 模型时间序列预测

R语言使用多元AR-GARCH模型衡量市场风险

R语言中的时间序列分析模型:ARIMA-ARCH / GARCH模型分析股票价格

R语言用Garch模型和回归模型对股票价格分析

GARCH(1,1),MA以及历史模拟法的VaR比较

matlab估计arma garch 条件均值和方差模型

R语言POT超阈值模型和极值理论EVT分析

欲获取全文文件,请点击左下角“阅读原文”。

451e22be9e21943bc808e11ce1b9c8e3.gif

ec9229174ddca7fab9b591f78cb25a6c.png

2f9d675ef2c4295d96391a969d797c8c.jpeg

a8f580f611c22146244a1af0bafd290d.png


http://www.ppmy.cn/news/553981.html

相关文章

中国冰淇淋市场深度评估及发展趋势预测报告(2022版)

内容简介&#xff1a; 根据Global Data的数据&#xff0c;2016年全球冰淇淋市场总额1,493.0亿美元&#xff0c;同比增长4.3%&#xff1b;2017年全球冰淇淋市场总额1,555.7亿美元&#xff0c;同比增长4.2%&#xff1b;2018年全球冰淇淋市场总额1,619.5亿美元&#xff0c;同比增…

G - 土耳其冰淇凌

题意&#xff1a; 给定n个冰淇淋球&#xff0c;问能组成最多多少个由k个冰淇淋球堆成的冰淇淋&#xff0c;并且满足下面的冰淇淋球的面积是上面冰淇淋球面积的二倍。 题解&#xff1a; 正解&#xff1a; 对结果进行二分 二分内容&#xff1a; 判定能否堆成m堆&#xff0c;先用…

python练习9-6冰淇淋小店

9-6冰淇淋小店&#xff1a;冰淇淋小店是一种特殊的餐馆。编写一个名为 IceCreamStand 的类&#xff0c;让它继承你为完成练习 9-1 或练习 9-4 而编写的 Restaurant 类。这两个版本的Restaurant 类都可以&#xff0c;挑选你更喜欢的那个即可。添加一个名为 flavors 的属性&#…

2021级C语言大作业 - 坏蛋冰淇凌

分享21级同学大一上学期用C语言&#xff08;及少量C&#xff09;实现的坏蛋冰淇凌。由于同学们刚学了三个月的编程&#xff0c;实现还不够完善&#xff0c;工程代码、图片音乐素材可以从百度网盘下载&#xff1a; 链接&#xff1a;https://pan.baidu.com/s/1rNyHtjnLCG3ro-z24Y…

小明要吃冰淇淋之RxJava:lift原理

个人博客地址 http://dandanlove.com/ 前言 关于RxJava的基础心法解析 我们在使用 RxJava 的时候必不可少的会使用一些基础的操作符&#xff0c; map 、 flatMap 、 filter 等。这些都是对 Obserbable 进行各种各样的变化&#xff0c;我们查看其实现都能看到一个叫做 lift 的…

蓝牙4.0简介

蓝牙4.0包含了3种蓝牙规格&#xff1a; 1.传统蓝牙 对应的标识名称为&#xff1a;Bluetooth 2.高速蓝牙 对应的标识名称为&#xff1a;Bluetooth SMART READY 3.低功耗蓝牙&#xff08;BLE&#xff09;对应的标识名称为&#xff1a;Bluetooth SMART 这三种规格既可以组合使…

Android4.0(冰淇淋三明治)简介

Android4.0 每当谷歌发布新一代操作系统之后&#xff0c;各家手机厂商升级上一代操作便会提上日程&#xff0c;同时也会有下一代操作 系统的消息在互联网流出&#xff0c;这样的形式渐渐成为谷歌推广Android 操作系统的一种惯用方式.在Android2.3 姜饼 即将发布&#xff0c;And…

C-多线程,冰淇淋问题

网易公开课&#xff0c;多线程&#xff0c;冰淇淋问题&#xff0c;VC2010控制台程序编译通过&#xff1a; /* testVC.cpp : 冰激凌店问题。 **问题描述&#xff1a;有N个客户到冰淇淋店中买[1-n]个甜筒&#xff0c;店员接到订单后开始做甜筒&#xff0c; **每一个甜筒都需经理检…