时间序列分析之ARIMA模型预测__R篇

之前一直用SAS做ARIMA模型预测，今天尝试用了一下R，发现灵活度更高，结果输出也更直观。现在记录一下如何用R分析ARIMA模型。

1. 处理数据

1.1. 导入forecast包

forecast包是一个封装的ARIMA统计软件包，在默认情况下，R没有预装forecast包，因此需要先安装该包

> install.packages("forecast')

导入依赖包zoo，再导入forecast包

> library("zoo")

> library("forecast")

1.2. 导入数据

博主使用的数据是一组航空公司的销售数据，可在此下载数据：airline.txt，共有132条数据，是以月为单位的销售数据。

> airline <- read.table("airline.txt")
> airline

　　　　V1 V2
　　1 1 112
　　2 2 118
　　3 3 132
　　4 4 129
　　5 5 121
　　6 6 135
　　7 7 148
　　8 8 148
　　9 9 136
　　10 10 119

(........)

1.3. 将数据转化为时间序列格式(ts)

由于将数据转化为时间序列格式，我们并不需要时间字段，因此只取airline数据的第二列，即销售数据，又因为该数据是以月为单位的，因此Period是12。

> airline2 <- ariline[2]

> airts <- ts(airline2,start=1,frequency=12)

2. 识别模型

2.1. 查看趋势图

> plot.ts(airts)

由图可见，该序列还不平稳，先做一次Log平滑，再做一次差分:

> airlog <- log(airts)
> airdiff <- diff(airlog, differences=1)
> plot.ts(airdiff)

这次看上去就比较平稳了，现在看看ACF和PACF的结果

2.2. 查看ACF和PACF

> acf(airdff, lag.max=30)

> acf(airdff, lag.max=30,plot=FALSE)

Autocorrelations of series ‘airdiff’, by lag

0.0000 0.0833 0.1667 0.2500 0.3333 0.4167 0.5000 0.5833 0.6667 0.7500 0.83331.000 0.188 -0.127 -0.154 -0.326 -0.066 0.041 -0.098 -0.343 -0.109 -0.1200.9167 1.0000 1.0833 1.1667 1.2500 1.3333 1.4167 1.5000 1.5833 1.6667 1.75000.199 0.833 0.198 -0.143 -0.110 -0.288 -0.046 0.036 -0.104 -0.313 -0.1061.8333 1.9167 2.0000 2.0833 2.1667 2.2500 2.3333 2.4167 2.5000

-0.085 0.185 0.714 0.175 -0.126 -0.077 -0.214 -0.046 0.029

> pacf(airdff, lag.max=30)

> pacf(airdff, lag.max=30,plot=FALSE)

Partial autocorrelations of series ‘airdiff’, by lag

0.0833 0.1667 0.2500 0.3333 0.4167 0.5000 0.5833 0.6667 0.7500 0.8333 0.91670.188 -0.169 -0.101 -0.317 0.018 -0.072 -0.199 -0.509 -0.171 -0.553 -0.3001.0000 1.0833 1.1667 1.2500 1.3333 1.4167 1.5000 1.5833 1.6667 1.7500 1.83330.551 0.010 -0.200 0.164 -0.052 -0.037 -0.108 0.094 0.005 -0.095 -0.0011.9167 2.0000 2.0833 2.1667 2.2500 2.3333 2.4167 2.50000.057 -0.074 -0.048 0.024 0.073 0.047 0.010 0.033

从ACF和PACF可以看出来，该序列在lag=12和lag=24处有明显的spike，说明该序列需要再做一次diff=12的差分。且PACF比ACF呈现更明显的指数平滑的趋势，因此先猜测ARIMA模型为：ARIMA(0,1,1)(0,1,1)[12].

2.3. 利用auto.arima

> auto.arima(airlog,trace=T)

 ARIMA(2,1,2)(1,1,1)[12]                    : -354.4719

 ARIMA(0,1,0)(0,1,0)[12]                    : -316.8213

 ARIMA(1,1,0)(1,1,0)[12]                    : -356.4353

 ARIMA(0,1,1)(0,1,1)[12]                    : -359.7679

 ARIMA(0,1,1)(1,1,1)[12]                    : -354.9069

 ARIMA(0,1,1)(0,1,0)[12]                    : -327.5759

 ARIMA(0,1,1)(0,1,2)[12]                    : -357.6861

 ARIMA(0,1,1)(1,1,2)[12]                    : -363.2418

 ARIMA(1,1,1)(1,1,2)[12]                    : -359.6535

 ARIMA(0,1,0)(1,1,2)[12]                    : -346.1537

 ARIMA(0,1,2)(1,1,2)[12]                    : -361.1765

 ARIMA(1,1,2)(1,1,2)[12]                    : 1e+20

 ARIMA(0,1,1)(1,1,2)[12]                    : -363.2418

 ARIMA(0,1,1)(2,1,2)[12]                    : -368.8244

 ARIMA(0,1,1)(2,1,1)[12]                    : -368.1761

 ARIMA(1,1,1)(2,1,2)[12]                    : -367.0903

 ARIMA(0,1,0)(2,1,2)[12]                    : -363.7024

 ARIMA(0,1,2)(2,1,2)[12]                    : -366.6877

 ARIMA(1,1,2)(2,1,2)[12]                    : 1e+20

 ARIMA(0,1,1)(2,1,2)[12]                    : -368.8244

 Best model: ARIMA(0,1,1)(2,1,2)[12]                    

Series: airlog

ARIMA(0,1,1)(2,1,2)[12]                    

Coefficients:

          ma1     sar1     sar2     sma1     sma2

      -0.2710  -0.4764  -0.1066  -0.0098  -0.1987

s.e.   0.0995   0.1432   0.1087   0.1567   0.1130

sigma^2 estimated as 0.001188:  log likelihood=231.88

AIC=-369.57   AICc=-368.82   BIC=-352.9

auto.arima提供的最佳模型为ARIMA(0,1,1)(2,1,2)[12]，我们可以同时测试两个模型，看看哪个更适合。

3. 参数估计

> airarima1 <- arima(airlog,order=c(0,1,1),seasonal=list(order=c(0,1,1),period=12),method="ML")
> airarima1

Series: airlog

ARIMA(0,1,1)(0,1,1)[12]                    

Coefficients:

          ma1     sma1

      -0.3484  -0.5622

s.e.   0.0943   0.0774

sigma^2 estimated as 0.001313:  log likelihood=223.63

AIC=-441.26   AICc=-441.05   BIC=-432.92
> airarima2 <- arima(airlog,order=c(0,1,1),seasonal=list(order=c(2,1,2),period=12),method="ML")
> airarima2

Series: airlog

ARIMA(0,1,1)(2,1,2)[12]                    

Coefficients:

          ma1    sar1     sar2     sma1    sma2

      -0.3546  1.0614  -0.1211  -1.9130  0.9962

s.e.   0.0995  0.1094   0.1844   0.3887  0.3812

sigma^2 estimated as 0.0009811:  log likelihood=225.56

AIC=-439.12   AICc=-438.37   BIC=-422.44

两个ARIMA模型都采用极大似然方法估计，计算系数对应的t值：

ARIMA(0,1,1)(0,1,1)[12] ：t(ma1)=-39.1791, t(sma1)=-93.8445

ARIMA(0,1,1)(2,1,2)[12] : t(ma1)=-35.8173,t(sar1)=88.68383,t(sar2)=-3.56141,t(sma1)=-12.6615,t(sma2)= 6.855526

可见两个模型的系数都是显著的，而ARIMA(0,1,1)(0,1,1)[12]的AIC和BIC比ARIMA(0,1,1)(2,1,2)[12]的要小，因此选择模型ARIMA(0,1,1)(0,1,1)[12]。

4. 预测

 预测五年后航空公司的销售额：

> airforecast <- forecast.Arima(airarima1,h=5,level=c(99.5))

> airforecast

Point Forecast Lo 99.5 Hi 99.5

Jan 12 6.038649 5.936951 6.140348

Feb 12 5.988762 5.867380 6.110143

Mar 12 6.145428 6.007137 6.283719

Apr 12 6.118993 5.965646 6.272340

May 12 6.159657 5.992605 6.326709

> plot.forecast(airforecast)

 

【R实践】时间序列分析之ARIMA模型预测___R篇的更多相关文章

  1. 用R做时间序列分析之ARIMA模型预测

    昨天刚刚把导入数据弄好,今天迫不及待试试怎么做预测,网上找的帖子跟着弄的. 第一步.对原始数据进行分析 一.ARIMA预测时间序列 指数平滑法对于预测来说是非常有帮助的,而且它对时间序列上面连续的值之 ...

  2. 时间序列分析之ARIMA模型预测__R篇

    http://www.cnblogs.com/bicoffee/p/3838049.html

  3. R与金钱游戏：美股与ARIMA模型预测

    似乎突如其来,似乎合情合理,我们和巴菲特老先生一起亲见了一次,又一次,双一次,叒一次的美股熔断.身处历史的洪流,渺小的我们会不禁发问:那以后呢?还会有叕一次吗?于是就有了这篇记录:利用ARIMA模型来 ...

  4. [python] 时间序列分析之ARIMA

    1 时间序列与时间序列分析 在生产和科学研究中,对某一个或者一组变量  进行观察测量,将在一系列时刻  所得到的离散数字组成的序列集合,称之为时间序列. 时间序列分析是根据系统观察得到的时间序列数据, ...

  5. 基于 Keras 的 LSTM 时间序列分析——以苹果股价预测为例

    简介 时间序列简单的说就是各时间点上形成的数值序列,时间序列分析就是通过观察历史数据预测未来的值.预测未来股价走势是一个再好不过的例子了.在本文中,我们将看到如何在递归神经网络的帮助下执行时间序列分析 ...

  6. R语言--时间序列分析步骤

    大白. (1)根据趋势定差分 plot(lostjob,type="b") 查看图像总体趋势,确定如何差分 df1 = diff(lostjob)  d=1阶差分 s4_df1=d ...

  7. R语言的ARIMA模型预测

    R通过RODBC连接数据库 stats包中的st函数建立时间序列 funitRoot包中的unitrootTest函数检验单位根 forecast包中的函数进行预测 差分用timeSeries包中di ...

  8. 不知道怎么改的尴尬R语言的ARIMA模型预测

    数据还有很多没弄好,程序还没弄完全好. > read.xlsx("H:/ProjectPaper/论文/1.xlsx","Sheet1") > it ...

  9. Redhat 5.8系统安装R语言作Arima模型预测

    请见Github博客:http://wuxichen.github.io/Myblog/timeseries/2014/09/02/RJavaonLinux.html

随机推荐

  1. VC++使用CImage PNG转BMP图片透明背景处理

    PNG格式的图片是支持透明通道的,BMP格式的图片是没有透明通道的,所以当PNG格式的图片转换为BMP格式时,对于PNG图片的透明背景就需要进行特别的处理. VC++中的HBITMAP是支持透明色的, ...

  2. 单个回调函数中返回多个Request以及Item

    import scrapy from myproject.items import MyItem class MySpider(scrapy.Spider): name = 'example.com' ...

  3. salt-api的使用

    curl -k https://192.168.74.129:8006/ -H "Accept: application/x-yaml" -H "X-Auth-Token ...

  4. 【EOJ3652】乘法还原（二分图）

    题意: 思路:Orz Claris 先找出所有平方项,将与有平方项的数有关的数对暂时忽略,剩下的直接连边就是一张二分图,暴力DFS染色 将有平方项的数两边都加一个,再判字典序即可 我不会判字典序……耽 ...

  5. unet中可视性检查的一些笔记

    最近在尝试用unet做一个局域网游戏,游戏的核心概念在于玩家之间的发现和隐蔽,有个类似于战争迷雾的机制. 实现该机制最关键的是实现可视性检查.首先是unet中默认的一个可视性检查,由组件Network ...

  6. bzoj 2039 最小割模型

    比较明显的网络流最小割模型,对于这种模型我们需要先求获利的和,然后减去代价即可. 我们对于第i个人来说, 如果选他,会耗费A[I]的代价,那么(source,i,a[i])代表选他之后的代价,如果不选 ...

  7. 意想不到的chrome调试功能

    没想到chrome的功能如此强大,绝非仅能使用console.log而已,碰到如此好文必定收藏,感谢大神,本文原创地址为:http://www.cnblogs.com/Wayou/p/chrome-c ...

  8. linux中的阻塞机制及等待队列【转】

    转自:http://www.cnblogs.com/gdk-0078/p/5172941.html 阻塞与非阻塞是设备访问的两种方式.驱动程序需要提供阻塞(等待队列,中断)和非阻塞方式(轮询,异步通知 ...

  9. Linux 2.6内核Makefile浅析【转】

    转自:http://blog.csdn.net/tommy_wxie/article/details/7280463 版权声明:本文为博主原创文章,未经博主允许不得转载.   目录(?)[-] 概述 ...

  10. Oracle基础 08 用户角色 user/role

    --查询帐户的状态select username,account_status from dba_users  where username='SCOTT'; --创建用户create user jo ...