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

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