时间序列分析之ARIMA模型预测__R篇

之前一直用SAS做ARIMA模型预测，今天尝试用了一下R，发现灵活度更高，结果输出也更直观。现在记录一下如何用R分析ARIMA模型。

1. 处理数据

1.1. 导入forecast包

forecast包是一个封装的ARIMA统计软件包，在默认情况下，R没有预装forecast包，因此需要先安装该包

> install.packages("forecast')

导入依赖包zoo，再导入forecast包

> library("zoo")

> library("forecast")

1.2. 导入数据

博主使用的数据是一组航空公司的销售数据，可在此下载数据：airline.txt，共有132条数据，是以月为单位的销售数据。

> airline <- read.table("airline.txt")
> airline

　　　　V1 V2
　　1 1 112
　　2 2 118
　　3 3 132
　　4 4 129
　　5 5 121
　　6 6 135
　　7 7 148
　　8 8 148
　　9 9 136
　　10 10 119

(........)

1.3. 将数据转化为时间序列格式(ts)

由于将数据转化为时间序列格式，我们并不需要时间字段，因此只取airline数据的第二列，即销售数据，又因为该数据是以月为单位的，因此Period是12。

> airline2 <- ariline[2]

> airts <- ts(airline2,start=1,frequency=12)

2. 识别模型

2.1. 查看趋势图

> plot.ts(airts)

由图可见，该序列还不平稳，先做一次Log平滑，再做一次差分:

> airlog <- log(airts)
> airdiff <- diff(airlog, differences=1)
> plot.ts(airdiff)

这次看上去就比较平稳了，现在看看ACF和PACF的结果

2.2. 查看ACF和PACF

> acf(airdff, lag.max=30)

> acf(airdff, lag.max=30,plot=FALSE)

Autocorrelations of series ‘airdiff’, by lag

0.0000 0.0833 0.1667 0.2500 0.3333 0.4167 0.5000 0.5833 0.6667 0.7500 0.83331.000 0.188 -0.127 -0.154 -0.326 -0.066 0.041 -0.098 -0.343 -0.109 -0.1200.9167 1.0000 1.0833 1.1667 1.2500 1.3333 1.4167 1.5000 1.5833 1.6667 1.75000.199 0.833 0.198 -0.143 -0.110 -0.288 -0.046 0.036 -0.104 -0.313 -0.1061.8333 1.9167 2.0000 2.0833 2.1667 2.2500 2.3333 2.4167 2.5000

-0.085 0.185 0.714 0.175 -0.126 -0.077 -0.214 -0.046 0.029

> pacf(airdff, lag.max=30)

> pacf(airdff, lag.max=30,plot=FALSE)

Partial autocorrelations of series ‘airdiff’, by lag

0.0833 0.1667 0.2500 0.3333 0.4167 0.5000 0.5833 0.6667 0.7500 0.8333 0.91670.188 -0.169 -0.101 -0.317 0.018 -0.072 -0.199 -0.509 -0.171 -0.553 -0.3001.0000 1.0833 1.1667 1.2500 1.3333 1.4167 1.5000 1.5833 1.6667 1.7500 1.83330.551 0.010 -0.200 0.164 -0.052 -0.037 -0.108 0.094 0.005 -0.095 -0.0011.9167 2.0000 2.0833 2.1667 2.2500 2.3333 2.4167 2.50000.057 -0.074 -0.048 0.024 0.073 0.047 0.010 0.033

从ACF和PACF可以看出来，该序列在lag=12和lag=24处有明显的spike，说明该序列需要再做一次diff=12的差分。且PACF比ACF呈现更明显的指数平滑的趋势，因此先猜测ARIMA模型为：ARIMA(0,1,1)(0,1,1)[12].

2.3. 利用auto.arima

> auto.arima(airlog,trace=T)

 ARIMA(2,1,2)(1,1,1)[12]                    : -354.4719

 ARIMA(0,1,0)(0,1,0)[12]                    : -316.8213

 ARIMA(1,1,0)(1,1,0)[12]                    : -356.4353

 ARIMA(0,1,1)(0,1,1)[12]                    : -359.7679

 ARIMA(0,1,1)(1,1,1)[12]                    : -354.9069

 ARIMA(0,1,1)(0,1,0)[12]                    : -327.5759

 ARIMA(0,1,1)(0,1,2)[12]                    : -357.6861

 ARIMA(0,1,1)(1,1,2)[12]                    : -363.2418

 ARIMA(1,1,1)(1,1,2)[12]                    : -359.6535

 ARIMA(0,1,0)(1,1,2)[12]                    : -346.1537

 ARIMA(0,1,2)(1,1,2)[12]                    : -361.1765

 ARIMA(1,1,2)(1,1,2)[12]                    : 1e+20

 ARIMA(0,1,1)(1,1,2)[12]                    : -363.2418

 ARIMA(0,1,1)(2,1,2)[12]                    : -368.8244

 ARIMA(0,1,1)(2,1,1)[12]                    : -368.1761

 ARIMA(1,1,1)(2,1,2)[12]                    : -367.0903

 ARIMA(0,1,0)(2,1,2)[12]                    : -363.7024

 ARIMA(0,1,2)(2,1,2)[12]                    : -366.6877

 ARIMA(1,1,2)(2,1,2)[12]                    : 1e+20

 ARIMA(0,1,1)(2,1,2)[12]                    : -368.8244

 Best model: ARIMA(0,1,1)(2,1,2)[12]                    

Series: airlog

ARIMA(0,1,1)(2,1,2)[12]                    

Coefficients:

          ma1     sar1     sar2     sma1     sma2

      -0.2710  -0.4764  -0.1066  -0.0098  -0.1987

s.e.   0.0995   0.1432   0.1087   0.1567   0.1130

sigma^2 estimated as 0.001188:  log likelihood=231.88

AIC=-369.57   AICc=-368.82   BIC=-352.9

auto.arima提供的最佳模型为ARIMA(0,1,1)(2,1,2)[12]，我们可以同时测试两个模型，看看哪个更适合。

3. 参数估计

> airarima1 <- arima(airlog,order=c(0,1,1),seasonal=list(order=c(0,1,1),period=12),method="ML")
> airarima1

Series: airlog

ARIMA(0,1,1)(0,1,1)[12]                    

Coefficients:

          ma1     sma1

      -0.3484  -0.5622

s.e.   0.0943   0.0774

sigma^2 estimated as 0.001313:  log likelihood=223.63

AIC=-441.26   AICc=-441.05   BIC=-432.92
> airarima2 <- arima(airlog,order=c(0,1,1),seasonal=list(order=c(2,1,2),period=12),method="ML")
> airarima2

Series: airlog

ARIMA(0,1,1)(2,1,2)[12]                    

Coefficients:

          ma1    sar1     sar2     sma1    sma2

      -0.3546  1.0614  -0.1211  -1.9130  0.9962

s.e.   0.0995  0.1094   0.1844   0.3887  0.3812

sigma^2 estimated as 0.0009811:  log likelihood=225.56

AIC=-439.12   AICc=-438.37   BIC=-422.44

两个ARIMA模型都采用极大似然方法估计，计算系数对应的t值：

ARIMA(0,1,1)(0,1,1)[12] ：t(ma1)=-39.1791, t(sma1)=-93.8445

ARIMA(0,1,1)(2,1,2)[12] : t(ma1)=-35.8173,t(sar1)=88.68383,t(sar2)=-3.56141,t(sma1)=-12.6615,t(sma2)= 6.855526

可见两个模型的系数都是显著的，而ARIMA(0,1,1)(0,1,1)[12]的AIC和BIC比ARIMA(0,1,1)(2,1,2)[12]的要小，因此选择模型ARIMA(0,1,1)(0,1,1)[12]。

4. 预测

 预测五年后航空公司的销售额：

> airforecast <- forecast.Arima(airarima1,h=5,level=c(99.5))

> airforecast

Point Forecast Lo 99.5 Hi 99.5

Jan 12 6.038649 5.936951 6.140348

Feb 12 5.988762 5.867380 6.110143

Mar 12 6.145428 6.007137 6.283719

Apr 12 6.118993 5.965646 6.272340

May 12 6.159657 5.992605 6.326709

> plot.forecast(airforecast)

 

【R实践】时间序列分析之ARIMA模型预测___R篇的更多相关文章

  1. 用R做时间序列分析之ARIMA模型预测

    昨天刚刚把导入数据弄好,今天迫不及待试试怎么做预测,网上找的帖子跟着弄的. 第一步.对原始数据进行分析 一.ARIMA预测时间序列 指数平滑法对于预测来说是非常有帮助的,而且它对时间序列上面连续的值之 ...

  2. 时间序列分析之ARIMA模型预测__R篇

    http://www.cnblogs.com/bicoffee/p/3838049.html

  3. R与金钱游戏：美股与ARIMA模型预测

    似乎突如其来,似乎合情合理,我们和巴菲特老先生一起亲见了一次,又一次,双一次,叒一次的美股熔断.身处历史的洪流,渺小的我们会不禁发问:那以后呢?还会有叕一次吗?于是就有了这篇记录:利用ARIMA模型来 ...

  4. [python] 时间序列分析之ARIMA

    1 时间序列与时间序列分析 在生产和科学研究中,对某一个或者一组变量  进行观察测量,将在一系列时刻  所得到的离散数字组成的序列集合,称之为时间序列. 时间序列分析是根据系统观察得到的时间序列数据, ...

  5. 基于 Keras 的 LSTM 时间序列分析——以苹果股价预测为例

    简介 时间序列简单的说就是各时间点上形成的数值序列,时间序列分析就是通过观察历史数据预测未来的值.预测未来股价走势是一个再好不过的例子了.在本文中,我们将看到如何在递归神经网络的帮助下执行时间序列分析 ...

  6. R语言--时间序列分析步骤

    大白. (1)根据趋势定差分 plot(lostjob,type="b") 查看图像总体趋势,确定如何差分 df1 = diff(lostjob)  d=1阶差分 s4_df1=d ...

  7. R语言的ARIMA模型预测

    R通过RODBC连接数据库 stats包中的st函数建立时间序列 funitRoot包中的unitrootTest函数检验单位根 forecast包中的函数进行预测 差分用timeSeries包中di ...

  8. 不知道怎么改的尴尬R语言的ARIMA模型预测

    数据还有很多没弄好,程序还没弄完全好. > read.xlsx("H:/ProjectPaper/论文/1.xlsx","Sheet1") > it ...

  9. Redhat 5.8系统安装R语言作Arima模型预测

    请见Github博客:http://wuxichen.github.io/Myblog/timeseries/2014/09/02/RJavaonLinux.html

随机推荐

  1. 编程技巧 - malloc()与free()

    1.要节省ram资源,可以使用malloc()动态申请内存,使用完再用free()释放掉,free()释放的是指针指向的内存空间,而不是指针. 2.如果某个大数组要在两个函数中使用,可以先定义一个全局 ...

  2. ES6学习笔记（二）——数组的扩展

    扩展运算符 ... 将数组转化成用逗号分隔的参数序列 * 扩展运算符背后调用的是遍历器接口(Symbol.iterator),如果一个对象没有部署这个接口,就无法转换. 应用 1. 合并数组 2. 将 ...

  3. php连接mysql报错——Fatal error: Call to undefined function mysql_connect() in

    练习php连接mysql数据库 代码:mysql_connect("127.0.0.1:3306","root", ..... 浏览器报错:Fatal erro ...

  4. 关于k Line Chart (k线图)

    K Line Chart python实现k线图的代码,之前找过matplotlib中文文档但是画k线图的finance方法已经弃用了.所以自己在网上搜寻一下加上改编,很好的实现出k线图, 代码如下: ...

  5. jetty bleed漏洞利用工具

    两个exp: https://github.com/AppSecConsulting/Pentest-Tools/blob/master/jetty-bleed.py https://github.c ...

  6. Linux服务器中毒事件(libudev.so)

    今天机房管理人员反馈公司的某台服务器在防火墙上的连接数超限,登陆服务器时发现非常卡顿,远程登录后查看,CPU持续100%,且有一长度为10的随机字符串进程,kill掉,会重新生成另外长度为10的字符串 ...

  7. 操作MySQL数据库相关代码

    注意事项: 1.导入驱动包,如我导的是mysql-connector-java-5.1.26-bin.jar 2.修改下面代码中的用户名和密码 3.其中URL为"jdbc:mysql://数 ...

  8. ubuntu下中文输入法安装

    个人认为ubantu下fcitx比sogo好用 安装fcitx首先到ubantu软件中心下载fcitx两个软件,一个是配置软件,一个是输入法软件 到system setting中language su ...

  9. Python 进阶 之 函数对象

    Python的世界里,万物皆对象,函数当然也是: 首先要定义一个函数: def add(a,b): print a+b 其次定义一个字典来引用该函数: dic = {"add":a ...

  10. lua返回服务器信息

    ngx.header.content_type = "text/plain"; ngx.say(tostring(ngx.var.request_uri));ngx.say(tos ...