ARIMA模型，ARIMAX模型預(yù)測(cè)冰淇淋消費(fèi)時(shí)間序列數(shù)據(jù)|附代碼數(shù)據(jù)
全文下載鏈接：http://tecdat.cn/?p=22511
最近我們被客戶要求撰寫關(guān)于ARIMAX的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。
標(biāo)準(zhǔn)的ARIMA（移動(dòng)平均自回歸模型）模型允許只根據(jù)預(yù)測(cè)變量的過(guò)去值進(jìn)行預(yù)測(cè) 。
該模型假定一個(gè)變量的未來(lái)的值線性地取決于其過(guò)去的值，以及過(guò)去（隨機(jī)）影響的值。ARIMAX模型是ARIMA模型的一個(gè)擴(kuò)展版本。它還包括其他獨(dú)立（預(yù)測(cè)）變量。該模型也被稱為向量ARIMA或動(dòng)態(tài)回歸模型。
ARIMAX模型類似于多變量回歸模型，但允許利用回歸殘差中可能存在的自相關(guān)來(lái)提高預(yù)測(cè)的準(zhǔn)確性。
本文提供了一個(gè)進(jìn)行ARIMAX模型預(yù)測(cè)的練習(xí)。還檢查了回歸系數(shù)的統(tǒng)計(jì)學(xué)意義。
這些練習(xí)使用了冰淇淋消費(fèi)數(shù)據(jù)。該數(shù)據(jù)集包含以下變量。
冰淇淋消費(fèi)（人均）
每周的平均家庭收入
冰淇淋的價(jià)格
平均溫度。
觀測(cè)數(shù)據(jù)的數(shù)量為30個(gè)。它們對(duì)應(yīng)的是1951年3月18日至1953年7月11日這一時(shí)間段內(nèi)的四周時(shí)間。
練習(xí)1
加載數(shù)據(jù)集，并繪制變量cons（冰淇淋消費(fèi)）、temp（溫度）和收入。
?ggplot(df,?aes(x?=?X,?y?=?income))?+??ylab("收入")?+??xlab("時(shí)間")?+grid.arrange(p1,?p2,?p3,?ncol=1,?nrow=3)
點(diǎn)擊標(biāo)題查閱往期內(nèi)容
R語(yǔ)言使用ARIMAX預(yù)測(cè)失業(yè)率經(jīng)濟(jì)時(shí)間序列數(shù)據(jù)
左右滑動(dòng)查看更多
01
02
03
04
練習(xí)?2?
對(duì)冰淇淋消費(fèi)數(shù)據(jù)估計(jì)ARIMA模型。然后將該模型作為輸入傳給預(yù)測(cè)函數(shù)，得到未來(lái)6個(gè)時(shí)期的預(yù)測(cè)數(shù)據(jù)。
auto.arima(cons)
fcast_cons?<-?forecast(fit_cons,?h?=?6)
練習(xí)3
繪制得到的預(yù)測(cè)圖。
點(diǎn)擊標(biāo)題查閱往期內(nèi)容
Python中的ARIMA模型、SARIMA模型和SARIMAX模型對(duì)時(shí)間序列預(yù)測(cè)
左右滑動(dòng)查看更多
01
02
03
04
練習(xí)4
找出擬合的ARIMA模型的平均絕對(duì)誤差（MASE）。
accuracy
練習(xí)5
為消費(fèi)數(shù)據(jù)估計(jì)一個(gè)擴(kuò)展的ARIMA模型，將溫度變量作為一個(gè)額外的回歸因子（使用auto.arima函數(shù)）。然后對(duì)未來(lái)6個(gè)時(shí)期進(jìn)行預(yù)測(cè)（注意這個(gè)預(yù)測(cè)需要對(duì)期望溫度進(jìn)行假設(shè)；假設(shè)未來(lái)6個(gè)時(shí)期的溫度將由以下向量表示：
fcast_temp?<-?c(70.5,?66,?60.5,?45.5,?36,?28)）
繪制獲得的預(yù)測(cè)圖。
練習(xí)6
輸出獲得的預(yù)測(cè)摘要。找出溫度變量的系數(shù)，它的標(biāo)準(zhǔn)誤差，以及預(yù)測(cè)的MASE。將MASE與初始預(yù)測(cè)的MASE進(jìn)行比較。
summary(fca)
溫度變量的系數(shù)是0.0028
該系數(shù)的標(biāo)準(zhǔn)誤差為0.0007
平均絕對(duì)比例誤差為0.7354048，小于初始模型的誤差（0.8200619）。
練習(xí)7
檢查溫度變量系數(shù)的統(tǒng)計(jì)意義。該系數(shù)在5%的水平上是否有統(tǒng)計(jì)學(xué)意義？
test(fit)
練習(xí)8
估計(jì)ARIMA模型的函數(shù)可以輸入更多的附加回歸因子，但只能以矩陣的形式輸入。創(chuàng)建一個(gè)有以下幾列的矩陣。
溫度變量的值。
收入變量的值。
滯后一期的收入變量的值。
滯后兩期的收入變量的值。
輸出該矩陣。
注意：最后三列可以通過(guò)在收入變量值的向量中添加兩個(gè)NA來(lái)創(chuàng)建，并將得到的向量作為嵌入函數(shù)的輸入（維度參數(shù)等于要?jiǎng)?chuàng)建的列數(shù)）。
vars?<-?cbind(temp,?income)print(vars)
練習(xí)9
使用獲得的矩陣來(lái)擬合三個(gè)擴(kuò)展的ARIMA模型，使用以下變量作為額外的回歸因子。
溫度、收入。
溫度、收入的滯后期為0、1。
溫度，滯后期為0、1、2的收入。
檢查每個(gè)模型的摘要，并找到信息準(zhǔn)則（AIC）值最低的模型。
注意AIC不能用于比較具有不同階數(shù)的ARIMA模型，因?yàn)橛^察值的數(shù)量不同。例如，非差分模型ARIMA（p，0，q）的AIC值不能與差分模型ARIMA（p，1，q）的相應(yīng)值進(jìn)行比較。
auto.arima(cons,?xreg?=?var)print(fit0$aic)
可以使用AIC，因?yàn)楦髂Ｐ偷膮?shù)階數(shù)相同（0）。
AIC值最低的模型是第一個(gè)模型。
它的AIC等于-113.3。
練習(xí)10
使用上一練習(xí)中發(fā)現(xiàn)的模型對(duì)未來(lái)6個(gè)時(shí)期進(jìn)行預(yù)測(cè)，并繪制預(yù)測(cè)圖。預(yù)測(cè)需要一個(gè)未來(lái)6個(gè)時(shí)期的期望溫度和收入的矩陣；使用temp變量和以下期望收入值創(chuàng)建矩陣：91, 91, 93, 96, 96, 96。
找出該模型的平均絕對(duì)比例誤差，并與本練習(xí)集中前兩個(gè)模型的誤差進(jìn)行比較。
帶有兩個(gè)外部回歸因子的模型具有最低的?平均絕對(duì)比例誤差(0.528)
本文摘選?《R語(yǔ)言****ARIMA模型，ARIMAX模型預(yù)測(cè)冰淇淋消費(fèi)時(shí)間序列數(shù)據(jù)?》?，點(diǎn)擊“閱讀原文”獲取全文完整資料。
點(diǎn)擊標(biāo)題查閱往期內(nèi)容
時(shí)間序列分析：ARIMA GARCH模型分析股票價(jià)格數(shù)據(jù)
多元時(shí)間序列滾動(dòng)預(yù)測(cè)：ARIMA、回歸、ARIMAX模型分析
【視頻】時(shí)間序列分析：ARIMA-ARCH / GARCH模型分析股票價(jià)格
時(shí)間序列GARCH模型分析股市波動(dòng)率
PYTHON用GARCH、離散隨機(jī)波動(dòng)率模型DSV模擬估計(jì)股票收益時(shí)間序列與蒙特卡洛可視化
極值理論 EVT、POT超閾值、GARCH 模型分析股票指數(shù)VaR、條件CVaR：多元化投資組合預(yù)測(cè)風(fēng)險(xiǎn)測(cè)度分析
Garch波動(dòng)率預(yù)測(cè)的區(qū)制轉(zhuǎn)移交易策略
金融時(shí)間序列模型ARIMA 和GARCH 在股票市場(chǎng)預(yù)測(cè)應(yīng)用
時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語(yǔ)言風(fēng)險(xiǎn)價(jià)值：ARIMA，GARCH，Delta-normal法滾動(dòng)估計(jì)VaR（Value at Risk）和回測(cè)分析股票數(shù)據(jù)
R語(yǔ)言GARCH建模常用軟件包比較、擬合標(biāo)準(zhǔn)普爾SP 500指數(shù)波動(dòng)率時(shí)間序列和預(yù)測(cè)可視化
Python金融時(shí)間序列模型ARIMA 和GARCH 在股票市場(chǎng)預(yù)測(cè)應(yīng)用
MATLAB用GARCH模型對(duì)股票市場(chǎng)收益率時(shí)間序列波動(dòng)的擬合與預(yù)測(cè)R語(yǔ)言GARCH-DCC模型和DCC（MVT）建模估計(jì)
Python 用ARIMA、GARCH模型預(yù)測(cè)分析股票市場(chǎng)收益率時(shí)間序列
R語(yǔ)言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語(yǔ)言ARIMA-GARCH波動(dòng)率模型預(yù)測(cè)股票市場(chǎng)蘋果公司日收益率時(shí)間序列
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價(jià)預(yù)測(cè)
R語(yǔ)言時(shí)間序列GARCH模型分析股市波動(dòng)率
R語(yǔ)言ARMA-EGARCH模型、集成預(yù)測(cè)算法對(duì)SPX實(shí)際波動(dòng)率進(jìn)行預(yù)測(cè)
matlab實(shí)現(xiàn)MCMC的馬爾可夫轉(zhuǎn)換ARMA - GARCH模型估計(jì)
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價(jià)預(yù)測(cè)
使用R語(yǔ)言對(duì)S＆P500股票指數(shù)進(jìn)行ARIMA + GARCH交易策略
R語(yǔ)言用多元ARMA,GARCH ,EWMA, ETS,隨機(jī)波動(dòng)率SV模型對(duì)金融時(shí)間序列數(shù)據(jù)建模
R語(yǔ)言股票市場(chǎng)指數(shù)：ARMA-GARCH模型和對(duì)數(shù)收益率數(shù)據(jù)探索性分析
R語(yǔ)言多元Copula GARCH 模型時(shí)間序列預(yù)測(cè)
R語(yǔ)言使用多元AR-GARCH模型衡量市場(chǎng)風(fēng)險(xiǎn)
R語(yǔ)言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語(yǔ)言用Garch模型和回歸模型對(duì)股票價(jià)格分析
GARCH（1,1），MA以及歷史模擬法的VaR比較
matlab估計(jì)arma garch 條件均值和方差模型R語(yǔ)言POT超閾值模型和極值理論EVT分析
