时间戳

首页 > 解决方案 > 使用 auto.Arima() 从回归进行预测并定义 xreg

r - 使用 auto.Arima() 从回归进行预测并定义 xreg

问题描述

我有一个拍卖数据集，其中存在End_of_week、Bid_Price、和USD_INR、列。我必须预测未来 6 个月的情况。我已经编写了以下代码。创建了两个模型：一个具有级别数据，第二个具有日志转换数据，但对于它显示的两个模型：Crude_Oil_PriceBaltic_Dry_IndexBid_Price

带有 ARIMA(0,0,0) 错误的回归。

这里提供的数据是原始数据集的一部分。

数据

end_of_week L1_BID_PRICE    BDI_MA  Crude_Oil_Price USD_INR

27-01-2018  14.45   1184.4  66.14   63.59
03-02-2018  13.975  1153.2  65.45   64.13
10-02-2018  13.95   1101    59.2    64.375
17-02-2018  16.416  1101    61.68   64.215
24-02-2018  16.3    1140.4  63.55   64.71
03-03-2018  15.625  1194.8  61.25   65.22
10-03-2018  16.65   1202.2  62.04   65.125
17-03-2018  15.6    1166.6  62.34   64.99
24-03-2018  16.6    1122.8  65.88   64.99
31-03-2018  17.85   1100    64.94   65.115

代码

#ARIMA
# fit model1
covariates=c("BDI_MA","Crude_Oil_Price","USD_INR")
fit=auto.arima(train[,"L1_BID_PRICE"],xreg = train[,covariates])
fit
summary(fit)
fit$aic
fit$residuals

# forecast1
fcast <- forecast(fit, xreg = test[, covariates])
autoplot(fcast)

# fit model2
covariates=c("BDI_MA_log","Crude_Oil_Price_log","USD_INR_log")
fit=auto.arima(train[,"L1_BID_PRICE_log"],xreg = train[,covariates])
fit
summary(fit)
fit$aic
fit$residuals

# forecast2
fcast <- forecast(fit, xreg = test[, covariates])
autoplot(fcast)
accuracy(fcast)

除此之外，我还有一些疑问：

  1. 为了声明协变量，我是否应该使用对数转换版本USD_INR，Crude_Oil_Price或者Baltic_Dry_Index简单地使用它们？

  2. 预测时是否应对响应变量进行对数转换？

标签： rtime-seriesarima

解决方案

看起来您正在测试加法（第一）和乘法（第二）回归模型。对于乘法回归模型，响应变量应进行对数转换，并根据对数转换变量计算统计数据

推荐阅读