Arima()로 고정식 시리즈 예측

Question

저는 예측 운동을하고 있습니다. 선호되는 모델은 ARIMA (0,0,1) (0, 1, 1) 4로 3 개의 외생 변수 (Forestalling.1, Forestalling.2, Break)가있다. 나의 종속 변수는 평균 주택 가격 인 Pmean이며, 외생 변수는 입법 및 부동산 위기의 변화를 나타내는 더미 변수입니다 (이 변수는 0, 1, -1 값으로 구성됩니다).

내 초기 접근법은 원본을 차별화하고 Arima() 모델에 적합하게하는 것이 었습니다. 그러나이 나에게 예측이 고정 시리즈에서 수행되는 것과 시리즈를 예측하려고 문제의 원인 - DIFF ($ Pmean X 로그를(), 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 

은 내가 통합하는 대안 모델에 맞게 시도 계절적 차이는 있지만 결과는 최적이 아니며 제 견적은 중요하지 않습니다. 심지어 일부 매개 변수에 대해 다른 방향을 반환합니다 (Forestalling2). 원래 모델에는 부정적인 효과가 있고 두 번째 모델에는 긍정적 인 (null) 효과가 있습니다.

는

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 

사람은 내가 ($ Pmean x)는 원래 시리즈 로그를 예측 또는 모델의 추정치를 사용하여 $ Pmean을 X 수 내 첫 번째 모델 시리즈를 재 변환 할 수 있는지 알고시겠습니까?

그럴 수 없다면 두 번째 Arima() 모델에서 차이점을 내부화하고 첫 번째 모델과 동일한 결과 모델을 사용할 수 있습니까?

감사

최초의 최초의 아리마 모델에서

Answer 1

,

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

수동으로 첫 번째 계절 차이를 복용하는 것 같습니다. 이것은 아리마 모델과 같아야합니다.

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

이는 계절적인 첫 번째 차이점을 나타냅니다. 그런 다음 "fpp"패키지를 사용하여 기록 된 데이터에 대한 예측을 자동으로 구성 할 수 있습니다.

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