預測與華冠通訊（）平穩序列

我在預測鍛鍊工作。首選模型是ARIMA（0,0,1）（0,1,1）4，其中有三個外生變量（Forestalling.1，Forestalling.2，Break）。我的因變量是Pmean，平均房價，外生變量是指示立法和財產危機變化的虛擬變量（這些變量由以下值0,1，-1組成）。預測與華冠通訊（）平穩序列

我最初的方法是者區分原始的和適合ARIMA（）模型;然而，這使我試圖預測系列作爲預測是在平穩序列完成後麻煩 - DIFF（日誌（X $ Pmean），4）

fit=Arima(diff(log(x$Pmean),4), 
     order=c(1,0,0), 
     seasonal=list(order=c(0,0,1), period =4), 
     xreg=xregvariables) 

       Estimate Std. Error z value Pr(>|z|)  
ar1    0.686212 0.128593 5.3363 9.485e-08 *** 
sma1   -0.583000 0.110908 -5.2566 1.467e-07 *** 
intercept  0.101515 0.010318 9.8386 < 2.2e-16 *** 
Forestalling 1 0.035008 0.011365 3.0804 0.002067 ** 
Forestalling 2 -0.033731 0.013151 -2.5649 0.010320 * 
Break   -0.087386 0.013113 -6.6640 2.664e-11 *** 

AIC=-216.75

我試圖適應在我納入了另一種模式季節性差異，但結果不是最佳的，我的估計並不顯着。他們甚至爲某些參數返回不同的方向（Forestalling2）;它在原始模型中具有負面影響，在第二種模式中具有積極（無效）影響。

fit=Arima(log(x$Pmean) 
     order=c(1,0,0), 
     seasonal=list(order=c(0,1,1), period =4), 
     xreg=xregvariables , 
     include.drift = TRUE) 

z test of coefficients: 

        Estimate Std. Error z value Pr(>|z|)  
ar1    0.97042096 0.03430919 28.2846 < 2.2e-16 *** 
sma1   -0.53044592 0.13689248 -3.8749 0.0001067 *** 
drift   0.01407096 0.01016345 1.3845 0.1662158  
Forestalling 1 0.03475176 0.01210626 2.8706 0.0040974 ** 
Forestalling 2 0.00094803 0.01343471 0.0706 0.9437434  
Break   -0.01077423 0.02376049 -0.4535 0.6502236 

AIC=-206.84

會有人知道是否有可能重新轉換系列我的第一款車型，所以我可以預測原始的系列日誌（X $ Pmean）或使用模型估計值X $ Pmean？

如果它不可能的，是有可能內在化在第二ARIMA（）模型中的差異，並具有相同的結果模型作爲第一模型？

感謝

來源

2017-02-21 FFB

在第一個第一ARIMA模型，

fit=Arima(diff(log(x$Pmean),4), 
    order=c(1,0,0), 
    seasonal=list(order=c(0,0,1), period =4), 
    xreg=xregvariables)

它看起來像你手動拍攝第一季節差異。這應該相當於華宇車型，

fit=Arima(log(x$Pmean), 
    order=c(1,0,0), 
    seasonal=list(order=c(0,1,1), period =4), 
    xreg=xregvariables)

它採取季節性第一差異。然後你可以使用「fpp」包來自動形成記錄數據的預測。

library(fpp) 
forecast(fit,h=12,xreg=x_test)

來源

2017-03-16 20:36:27

預測與華冠通訊（）平穩序列

回答

相關問題