预测与华冠通讯（）平稳序列

问题描述：

我在预测锻炼工作。首选模型是ARIMA（0,0,1）（0,1,1）4，其中有三个外生变量（Forestalling.1，Forestalling.2，Break）。我的因变量是Pmean，平均房价，外生变量是指示立法和财产危机变化的虚拟变量（这些变量由以下值0,1，-1组成）。预测与华冠通讯（）平稳序列

我最初的方法是者区分原始的和适合ARIMA（）模型;然而，这使我试图预测系列作为预测是在平稳序列完成后麻烦 - DIFF（日志（X $ Pmean），4）

fit=Arima(diff(log(x$Pmean),4), 
     order=c(1,0,0), 
     seasonal=list(order=c(0,0,1), period =4), 
     xreg=xregvariables) 

       Estimate Std. Error z value Pr(>|z|)  
ar1    0.686212 0.128593 5.3363 9.485e-08 *** 
sma1   -0.583000 0.110908 -5.2566 1.467e-07 *** 
intercept  0.101515 0.010318 9.8386 < 2.2e-16 *** 
Forestalling 1 0.035008 0.011365 3.0804 0.002067 ** 
Forestalling 2 -0.033731 0.013151 -2.5649 0.010320 * 
Break   -0.087386 0.013113 -6.6640 2.664e-11 *** 

AIC=-216.75

我试图适应在我纳入了另一种模式季节性差异，但结果不是最佳的，我的估计并不显着。他们甚至为某些参数返回不同的方向（Forestalling2）;它在原始模型中具有负面影响，在第二种模式中具有积极（无效）影响。

fit=Arima(log(x$Pmean) 
     order=c(1,0,0), 
     seasonal=list(order=c(0,1,1), period =4), 
     xreg=xregvariables , 
     include.drift = TRUE) 

z test of coefficients: 

        Estimate Std. Error z value Pr(>|z|)  
ar1    0.97042096 0.03430919 28.2846 < 2.2e-16 *** 
sma1   -0.53044592 0.13689248 -3.8749 0.0001067 *** 
drift   0.01407096 0.01016345 1.3845 0.1662158  
Forestalling 1 0.03475176 0.01210626 2.8706 0.0040974 ** 
Forestalling 2 0.00094803 0.01343471 0.0706 0.9437434  
Break   -0.01077423 0.02376049 -0.4535 0.6502236 

AIC=-206.84

会有人知道是否有可能重新转换系列我的第一款车型，所以我可以预测原始的系列日志（X $ Pmean）或使用模型估计值X $ Pmean？

如果它不可能的，是有可能内在化在第二ARIMA（）模型中的差异，并具有相同的结果模型作为第一模型？

感谢

答

在第一个第一ARIMA模型，

fit=Arima(diff(log(x$Pmean),4), 
    order=c(1,0,0), 
    seasonal=list(order=c(0,0,1), period =4), 
    xreg=xregvariables)

它看起来像你手动拍摄第一季节差异。这应该相当于华宇车型，

fit=Arima(log(x$Pmean), 
    order=c(1,0,0), 
    seasonal=list(order=c(0,1,1), period =4), 
    xreg=xregvariables)

它采取季节性第一差异。然后你可以使用“fpp”包来自动形成记录数据的预测。

library(fpp) 
forecast(fit,h=12,xreg=x_test)

预测与华冠通讯（）平稳序列

相关推荐