다음은 로그 변환을 수행 한 후의 초기 데이터 플롯입니다. Auto.arima() 함수로 인해 흰색 노이즈가 발생하지 않습니다. 모델링 데이터에 대한 다른 방법은 무엇입니까?
계절 추세뿐만 아니라 선형 추세도 분명합니다. 나는 diff (diff (data), 12)의 첫 번째와 열두 번째 (계절별) 차이점을 취하여이 두 가지 문제를 해결할 수 있습니다. 결과 데이터의 플롯은 다음과 같습니다.
이 데이터는 좋지 않습니다. 일정한 평균값이지만 시간이 지남에 따라 퍼널 효과가 나타납니다. 다음은 ACF/PACF입니다 : .
시도해 볼만한 제안 사항. ARIMA (2,0,2) xARIMA (1,0,2) (12) 모델을 제안한 auto.arima() 함수를 사용했습니다. 그러나, 내가 적합성에서 잔류 물을 가져 왔더라면, 여전히 구조에 어떤 종류의 구조가 있음이 분명했습니다. 다음은 잔차의 ACF/PACF와 피팅의 잔차 플롯입니다.
은 잔차의 ACF/PACF의 스파이크를 지연에 대한 계절적 패턴이있을 나타나지 않습니다. 그러나 이것은 여전히 이전 단계에서 캡처되지 않은 것입니다. 내가 뭐라고 제안 하나? 더 나은 모델 진단 기능을 갖춘 더 나은 모델을 만들려면 어떻게해야합니까? (이 시점에서 ACF와 PACF를 더 잘 볼 수 있습니다).
여기까지 내 간단한 코드 : 관심이 경우
여기library(TSA)
library(forecast)
beer <- read.csv('beer.csv', header = TRUE)
beer <- ts(beer$Production, start = c(1956, 1), frequency = 12)
# transform data
boxcox <- BoxCox.ar(beer) # 0 in confidence interval
beer.log <- log(beer)
firstDifference <- diff(diff(beer.log), 12) # get rid of linear and
# seasonal trend
acf(firstDifference)
pacf(firstDifference)
eacf(firstDifference)
plot(armasubsets(firstDifference, nar=12, nma=12))
# fitting the model
auto.arima(firstDifference, ic = 'bic') # from forecasting package
modelFit <- arima(firstDifference, order=c(1,0,0),seasonal
=list(order=c(2, 0, 0), period = 12))
# assessing model
resid <- modelFit$residuals
acf(resid, lag.max = 15)
pacf(resid, lag.max = 15)
데이터이다가, (난 당신이 좋아하면 당신은 CSV 변환기에 HTML을 사용할 수 있다고 생각) : https://docs.google.com/spreadsheets/d/1S8BbNBdQFpQAiCA4J18bf7PITb8kfThorMENW-FRvW4/pubhtml
예를 들어 데이터와 코드를 공유하시기 바랍니다 Tsay의 논문입니다. – mtoto
할 것입니다!데이터 집합 (약 300 개 값)과 r 코드를 공유하는 가장 쉬운 방법은 무엇입니까? –
'dput()'을 사용하여 질문을 나타내는 데이터 세트의 일부 (예 : 처음 100 개 값)를 공유 할 수 있습니다. – mtoto