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
bata<-read.csv colnames(bata) bata<-bata\[order(as.Date,\] bata<-bata\[order(as.Date,\] bata$workda<-as.factor head(bata)
将数据划分为训练集和测试集
#ARIMA 编程开始 ## 75% 的样本量 smsize <- floor(0.95 * nrow) print(smze)
## 设置种子可重现 set.seed(123) traid <- sample trn <- bata\[1:smize, \] tet <- baata\[smp_size+1:nrow, \] tet<-na.omit
创建预测矩阵
xreg <- cbind(as_workday=model.matrix, Temp, Humid, Winds ) # 删除截距 xg <- xg\[,-1\] # 重命名列 colnames<- c("Aldays","Tep","Humty","Wined") #为测试数据创建相同的 xrg1 <- cbind # 删除截距 xreg1 <- xre1\[,-1\] # 重命名列 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
library(ggplot2)
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
library(ggplot2) plot(Co, series="Data") + autolayer+ 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
x<-train\[order,\] ti_ag <- x %>% mutate x1<-test testg <- x1 %>% 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
Myal <-lm summary(Myal )
在测试数据上预测相同以计算 MSE
prynm<-predict # 动态回归的均方误差 mean((teunt - tPrecd)^2)
绘制预测与实际
plot abline
