autoregressive-models

0熱度

1回答

我正在學習創建具有多個季節性的時間序列的預測模型。以下是我所指的數據集的子集。此數據集包括小時數據點，我希望在我的arima模型中包含每日和每週季節性。以下是數據集的子集： data= c(4,4,1,2,6,21,105,257,291,172,72,10,35,42,77,72,133,192,122,59,29,25,24,5,7,3,3,0,7,15,91,230,284,147,67,5

4熱度

1回答

Auto.arima（）函數不會導致白噪聲。我應該如何去建模數據

這是初始數據的圖（執行對數轉換後）。很明顯，既有線性趨勢也有季節性趨勢。我可以通過第一個和第十二個（季節性）差異來解決這兩個問題：diff（diff（data），12）。這樣做之後，這裏是所得數據的圖表。這個數據看起來不太好。雖然平均值不變，但隨着時間的推移，我們會看到漏斗效應。這裏是ACF/PACF：。任何可能適合嘗試的建議。我使用了auto.arima（）函數，該函數建議使用ARIMA

1熱度

2回答

爲什麼statsmodels select_order函數與AR模型中的params不同？

import pandas as pd import numpy as np import statsmodels.tsa.api as smt import pandas_datareader.data as web start = '2007-01-01' end = '2015-01-01' get_px = lambda x: web.DataReader(x, 'yahoo

0熱度

1回答

如何指定AR1和AR24觀察

我想運行一個小時一系列時間序列預測，華宇固定選項。我只需要按照我的ACF & PACF包括AR1和AR24觀察值。有人能指導我如何在R中指定這個選項嗎？以下是我的代碼。 w_fcast3_mod <- arima(w_fcast3, order=c(24,0,0),fixed=c(NA,NA,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,NA, tra

0熱度

1回答

ar（）函數與滯後變量在lm（）

我想了解「stats」包的ar()函數與通過基本lm()函數在常規線性迴歸中簡單使用滯後變量的區別。我已經跑： ar(lh) 其中返回：係數： 0.6534 -0.0636 -0.2269 所以我認爲，這意味着推薦模型是AR（3）。如果我的理解是正確的，這意味着數據很好地解釋了因變量的滯後1，滯後2和滯後3（作爲複製AR（3）結構的方式）。於是我就下面的代碼： summary(lm(x~l

1熱度

1回答

脈衝響應函數（IRF）上的grid.arrange + ggplot2

我正在使用GGplot2 + grid.arrange處理脈衝響應函數圖（來自矢量自迴歸模型）。下面我給你我的實際情節和來自vars包的原始情節。我真的想要任何提示，以改善最終結果會很好，至少把兩個地塊靠得更近。這不是一個完整的問題的話題，但改善要求這裏的全部代碼 library(vars) # Define lags lag = VARselect(my_data, lag.max=

1熱度

1回答

如何獲得AR（1）模型結果的T統計數據R

我有時間序列數據，並使用我的數據運行AR（1）模型。我想要做的是對政策干預的重要性進行測試。所以我的數據是估計治療效果超過10年（1984年至1994年）。來自R我的結果是這樣的： >Call: arima(x = data, order = c(1, 0, 0)) Coefficients: ar1 intercept 0.7063 -0.7838 s.e. 0.0

0熱度

1回答

時間序列的動態負二項迴歸

我有一個計數數據，我需要使用動態負二項迴歸進行時間序列分析，因爲數據具有自相關和過度分散問題。我做了一個在線搜索，可以使用任何R包，但我無法找到它。我將不勝感激任何幫助。我的數據的一個例子： >St1 [1] 17 9 28 7 23 16 17 12 11 16 19 29 5 40 13 27 13 11 10 14 13 23 21 24 9 42 14 22 17 9 >Yea

0熱度

1回答

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）。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

0熱度

2回答

如何解釋R中的ARMA子集（用於更復雜的時間序列模型）？

我正在使用R中的時間序列數據集。我必須提出幾個模型，其中之一必須來自使用armasubsets（我知道有函數，如auto.arima（），但我仍然必須利用這個圖）。你如何解釋R中的這個arma子集圖？我特別想到了第五排，因爲它的BIC值只有十分之一更高，儘管我們想要最小化BIC，但我認爲這個小的差異是合理的，因爲從頂部第五排是比該圖中指定的其他潛在模型簡單得多。因此，我將如何解釋AR組件滯後5,