拓端tecdat|R语言ARIMA、ARIMAX、 动态回归和OLS 回归预测多元时间序列

原文链接：http://tecdat.cn/?p=25220 

原文出处：拓端数据部落公众号

当ARIMA模型包括其它时间序列作为输入变量时,被称为传递函数模型(transfer function model)、多变量时间序列模型(multivariate time series model)、ARIMAX模型或Box-Tiao模型。传递函数模型是ARIMA模型的自然推广,Pankratz统称这种包含其它时间序列作为输入变量的ARIMA模型为动态回归。
 

用于预测的 Arima

加载相关包和数据

1.  
   bata<-read.csv
2.  
   colnames(bata)
3.  
   bata<-bata[order(as.Date,]
4.  
   bata<-bata[order(as.Date,]
5.  
   bata$workda<-as.factor
6.  
   head(bata)

将数据划分为训练集和测试集

1.  
   #ARIMA 编程开始
2.  
   ## 75% 的样本量
3.  
   smsize <- floor(0.95 * nrow)
4.  
   print(smze)

1.  
   ## 设置种子可重现
2.  
   set.seed(123)
3.  
   traid <- sample
4.  
   trn <- bata[1:smize, ]
5.  
   tet <- baata[smp_size+1:nrow, ]
6.  
   tet<-na.omit

创建预测矩阵

1.  
   xreg <- cbind(as_workday=model.matrix,
2.  
   Temp,
3.  
   Humid,
4.  
   Winds
5.  
   )
6.  
    
7.  
   # 删除截距
8.  
   xg <- xg[,-1]
9.  
    
10.  
    # 重命名列
11.  
    colnames<- c("Aldays","Tep","Humty","Wined")
12.  
     
13.  
    #为测试数据创建相同的
14.  
     
15.  
    xrg1 <- cbind
16.  
    # 删除截距
17.  
    xreg1 <- xre1[,-1]
18.  
     
19.  
    # 重命名列
20.  
    colnames <- c("Aays","Te","uiiy","Wnsed")

为 arima 预测的训练数据创建时间序列变量

Cont <- ts

推论：由于数据是每天的，频率为 365，开始日期为 2016-7-7

用季节性拟合 ARIMA 模型

Fo_aes<-forecast

计算测试数据集 MSE

mean((tt - Finlues)^2)

在去除季节性之前绘制预测值

1.  
   library(ggplot2)
2.  
    

无季节性拟合 ARIMA

去除季节性数据集和绘图

decata = decompos

 ### 查找去季节数据的 ARIMAX 模型

moesea

Foecs<-forecast

去除季节性后绘制预测值

1.  
   library(ggplot2)
2.  
   plot(Co, series="Data") +
3.  
   autolayer+
4.  
   autolayer

均方误差分量

mean((tount - Fis_des)^2)

通过采用滞后变量的输出以及滞后 1,2 的输入进行动态回归

1.  
   x<-train[order,]
2.  
    
3.  
   ti_ag <- x %>%
4.  
   mutate
5.  
   x1<-test
6.  
   testg <- x1 %>%
7.  
   mutate

使用动态滞后变量的 OLS 回归

mlm <- lm

推论：仅保留 P 值 <0.05 的重要变量并删除其他变量

仅保留重要变量的情况下重新创建 OLS 回归

1.  
   Myal <-lm
2.  
   summary(Myal )

在测试数据上预测相同以计算 MSE

1.  
   prynm<-predict
2.  
    
3.  
    
4.  
   # 动态回归的均方误差
5.  
   mean((teunt - tPrecd)^2)

绘制预测与实际

1.  
   plot
2.  
   abline

---

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测