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)