การทำนายด้วยแบบจำลอง ARIMA
ใน R พร้อมแพ็คเกจ TSA
อาริมะ
ARIMA -> ค่าเฉลี่ยเคลื่อนที่รวมแบบถดถอยอัตโนมัติ
ประโยชน์ของการใช้โมเดล ARIMA เหนือการถดถอยเชิงเส้น การทำให้เรียบแบบเอกซ์โปเนนเชียล โฮลท์วินเทอร์ ฯลฯ คือโมเดล ARIMA สามารถ ลดซีรีส์ที่ไม่อยู่กับที่ให้เป็นซีรีส์นิ่งโดยใช้ลำดับของขั้นตอนที่แตกต่างกัน
ในการอนุมานทางสถิติหรือการคาดคะเนของกระบวนการสุ่มตามบันทึกที่สังเกตได้ สิ่งสำคัญคือต้องเป็นไปตามสมมติฐานของความไม่คงที่
ซีรีย์นิ่งคืออะไร?
แนวคิดพื้นฐานของความคงที่ คือความน่าจะ เป็นของพฤติกรรมของกระบวนการจะไม่เปลี่ยนแปลงเมื่อเวลาผ่านไป และคาดว่ากระบวนการจะอยู่ในดุลยภาพทางสถิติ
กระบวนการ {Yt} ได้รับการกล่าวขานว่าคงที่อย่างเคร่งครัดหากการกระจายร่วมของ Yt1,Yt2,... Ytn เหมือนกับการกระจายร่วมของ Yt1 — k Yt2 — k,…, Ytn — k สำหรับตัวเลือกทั้งหมดของจุดเวลา t1 t2,…, tn และตัวเลือกทั้งหมดของเวลาหน่วง k
คำจำกัดความบางอย่าง
- {Yt} เป็นกระบวนการอนุกรมเวลาของการสังเกตเมื่อเวลาผ่านไป t =1 , t =2 , t...
- การกระจายร่วมกันของ Yt1,Yt2,… หมายถึงการเปลี่ยนแปลงเวลาในกระบวนการอนุกรมเวลาซึ่งจะเกี่ยวข้องกับช่วงเวลาของ t(1-k), t(2-k), …
- เวลาหน่วง k หมายถึงช่องว่างของเวลา และเรียกว่าเวลาหน่วง
- อยู่กับที่ — อนุกรมเวลาใดๆ ที่ไม่มีค่าเฉลี่ยคงที่ในช่วงเวลานั้นจะไม่คงที่
ความแตกต่าง?
ค่าของอนุกรมเวลาเดิมจะถูกลบออกจากค่าของอนุกรมเวลาที่เปลี่ยนไปตามช่วงเวลาจำนวนหนึ่ง การแปลงนี้จะลบแนวโน้มและฤดูกาลในข้อมูล เหลือเพียงส่วนประกอบแบบสุ่มและคงที่
ลองดูตัวอย่าง:
library(tidyverse)
library(broom)
library(forecast)
library(scales)
data <- read.delim("C:/Data/oilspills.txt")
data %>% head()
data.ts <- ts(data$TotalSpills,freq=12,start=c(1970,1))
plot(data.ts, type='o',cex=0.5, main = "Time series plot", col = "steelblue")
เราสามารถตรวจสอบ auto correlation และ partial auto correlation ได้
par(mfrow = c(1,2))
acf(data.ts,main = "Autocorrealtion plot")
pacf(data.ts,main = "")
title(main = "Partial autocorrelation plot")
แถบแนวตั้งในพล็อต ACF แสดงความสัมพันธ์อัตโนมัติที่สำคัญเนื่องจากอยู่เหนือเส้นประสีน้ำเงิน
ฉันจะใช้ความแตกต่างกับฟังก์ชัน diff()
diff=diff(data.ts)
plot(diff, ylab='Difference of internet users', type='b',cex=0.5, col = "darkcyan")
title(main = "Differenced time-series")
เราต้องหาลำดับของโมเดล ARIMA ของเรา?
เป้าหมายของการเลือกแบบจำลองคือการค้นหาแบบจำลอง ARIMA ที่เหมาะกับข้อมูลอนุกรมเวลามากที่สุด
p,d,q -> ARIMA (p,d,q) -> อาริมะ (AR,d,MA)
มีวิธีต่างๆ สองสามวิธีในการเลือกค่า pdq สำหรับโมเดล ARIMA:
- การตรวจสอบพล็อต ACF และ PACF: สามารถใช้พล็อต ACF และ PACF เพื่อระบุลำดับขององค์ประกอบ autoregressive (AR) และค่าเฉลี่ยเคลื่อนที่ (MA) ในแบบจำลอง ความล่าช้าที่พล็อต ACF หรือ PACF "ตัดออก" สามารถแนะนำลำดับของส่วนประกอบที่เกี่ยวข้องได้
- การเลือกรุ่นอัตโนมัติ:
auto.arima(). ฟังก์ชันนี้ใช้วิธีการประมาณแบบจำลองที่ดีที่สุดตามค่า AIC - เครื่องมือวินิจฉัย: พล็อต EACF
- ตัวดำเนินการเปลี่ยนเกียร์ถอยหลัง (1 — phi * B) * (1 — B)² = (1 + theta * B)
มีหลายวิธีที่สามารถรับค่าเหล่านี้ได้ แต่สิ่งสำคัญคือต้องทราบว่าการเลือกแบบจำลองไม่ใช่กระบวนการเพียงครั้งเดียว ควรประเมินความเหมาะสมของแบบจำลองที่เลือกโดยใช้การทดสอบวินิจฉัยและการแสดงภาพ
เราสามารถใช้ พล็อต eacf (Extended Auto Correlation Function) ซึ่งเป็นเครื่องมือกราฟิกที่ใช้ช่วยกำหนดลำดับของโมเดล ARIMA
eacf(diff)
ดูเหมือนว่าโมเดลนี้อาจเป็นโมเดล AR = 1 และ MA = 0
แผนภาพ EACF เป็นเพียงเครื่องมือหนึ่งสำหรับกำหนดลำดับที่เหมาะสมของแบบจำลอง ARIMA และควรใช้การตรวจสอบด้วยสายตารวมถึงการทดสอบทางสถิติเพื่อค้นหาลำดับของแบบจำลอง
มาสร้างโมเดลแรกกัน:
arima1 <- arima(data.ts, order=c(1,0,0))
arima1
- พล็อตที่เหลือ
- ชาปิโร วิลค์ส
- พล็อต QQ ปกติ
พล็อตที่เหลือ
plot(arima1$res,xlab='Time',ylab='Residuals',main='')
abline(h=0,col='red')
shapiro.test(arima1$res)
ในกรณีนี้ ส่วนที่เหลือของโมเดล ARIMA จะไม่กระจายตามปกติ
พล็อต QQ ปกติ
qqnorm(arima1$res)
qqline(arima1$res)
ฉันจะลองรุ่นอื่น:
ฉันสามารถเรียกใช้auto.arima ได้ สิ่งนี้อาจช่วยได้!
auto.arima(data.ts)
arima2 <-arima(x = diff, order = c(1, 1, 0))
shapiro.test(arima2$res)
qqnorm(arima2$res)
qqline(arima2$res)
สารตกค้าง
plot(arima2$res,xlab='Time',ylab='Residuals',main='Arima2 model')
abline(h=0,col='red')
ทำนายด้วยโมเดล arima2:
pred <- predict(arima2,n.ahead=5)
pred
บทสรุป
ส่วนใหญ่ของการสร้างแบบจำลอง arima เกี่ยวข้องกับการค้นหาการแปลงที่ถูกต้องที่ข้อมูลต้องการ ในตัวอย่างนี้ เราต้องทำให้ข้อมูลแตกต่างกันเนื่องจากแผนภาพ ACF แสดงสัญญาณที่ชัดเจนของข้อกำหนด มีหลายครั้งที่ข้อมูลอาจต้องมีการแปลงบันทึก แต่แนวคิดสำคัญที่ต้องจำไว้คือ เราต้องทำการทดสอบทางสถิติ เราต้องดูโครงเรื่องและพิจารณาว่าแบบใดดูดีที่สุด
พล็อต EACF นั้นไม่ได้หมายความว่าจะอ่านง่าย auto.arima นั้นดูง่ายกว่ามาก การดูแผนภาพที่เหลือก็มีความสำคัญเช่นกัน และในกรณีของการสร้างแบบจำลอง arima การมีอนุกรมเวลาที่อยู่กับที่ซึ่งกฎความน่าจะเป็นที่คล้ายคลึงกันควบคุมกระบวนการเมื่อเวลาผ่านไปเป็นหลักการสำคัญ เมื่อเราสร้างค่าคงที่ไม่ว่าจะโดยดิฟเฟอเรนเซชัน ล็อก หรือทั้งสองอย่าง เราก็สามารถใส่โมเดลที่เหมาะสมและสร้างการคาดคะเนได้!
หวังว่าคุณจะสนุกกับบทความนี้และพบว่ามีประโยชน์
ติดตามฉันสำหรับบทความเพิ่มเติมเกี่ยวกับ R, Julia, Python และสถิติประยุกต์!





































![รายการที่เชื่อมโยงคืออะไร? [ส่วนที่ 1]](https://post.nghiatu.com/assets/images/m/max/724/1*Xokk6XOjWyIGCBujkJsCzQ.jpeg)