ETS () işlevi, geçmiş verilerle uyumlu olmayan tahminlerden nasıl kaçınılır?

Aylık tahmin hesaplamasını otomatikleştirmek için R'de bir alogorithm üzerinde çalışıyorum. Diğerlerinin yanı sıra, tahmin hesaplamak için tahmin paketinden ets () işlevini kullanıyorum. Çok iyi çalışıyor.

Ne yazık ki, bazı belirli zaman serileri için elde ettiğim sonuç tuhaf.

Lütfen, kullandığım kodun altında bulabilirsiniz:

train_ts<- ts(values, frequency=12)
fit2<-ets(train_ts, model="ZZZ", damped=TRUE, alpha=NULL, beta=NULL, gamma=NULL, 
            phi=NULL, additive.only=FALSE, lambda=TRUE, 
            lower=c(0.0001,0.0001,0.0001,0.8),upper=c(0.9999,0.9999,0.9999,0.98), 
            opt.crit=c("lik","amse","mse","sigma","mae"), nmse=3, 
            bounds=c("both","usual","admissible"), ic=c("aicc","aic","bic"),
            restrict=TRUE)  
ets <- forecast(fit2,h=forecasthorizon,method ='ets')   

Lütfen, ilgili geçmiş veri kümesini aşağıda bulabilirsiniz:

 values <- c(27, 27, 7, 24, 39, 40, 24, 45, 36, 37, 31, 47, 16, 24, 6, 21, 
35, 36, 21, 40, 32, 33, 27, 42, 14, 21, 5, 19, 31, 32, 19, 36, 
29, 29, 24, 42, 15, 24, 21)

Burada, grafikte geçmiş verileri (siyah), uygun değeri (yeşil) ve tahmini (mavi) göreceksiniz. Tahmin kesinlikle uygun değere sahip değil.

Tarihsel satışlarla öngörünün “nasıl uyumlu” olacağı konusunda herhangi bir fikriniz var mı?

@Forecaster'ın işaret ettiği gibi, bu serinin sonundaki aykırı değerlerden kaynaklanır. Tahmini seviye bileşenini en üste çizerseniz sorunu net bir şekilde görebilirsiniz:

plot(forecast(fit2))
lines(fit2$states[,1],col='red')

Serinin sonundaki seviyedeki artışa dikkat edin.

Modeli aykırı değerlere karşı daha sağlam hale getirmenin bir yolu da parametre alanını azaltmaktır, böylece düzeltme parametrelerinin daha küçük değerler alması gerekir:

fit2 <- ets(train_ts, upper=c(0.3,0.2,0.2,0.98))  
plot(forecast(fit2))

Bu, serinin sonunda aykırı değerlere ve istenmeyen sonuçlara sahip olduğu ders kitabı örneğidir . Verilerinizle ilgili sorun, son iki noktanın aykırı değerlerdir , tahmin algoritmalarını çalıştırmadan önce aykırı değerleri tanımlamak ve tedavi etmek isteyebilirsiniz. Cevabımı ve analizimi bugün, aykırı değerlerin belirlenmesi için bazı stratejilerle güncelleyeceğim. Hızlı güncelleme aşağıdadır.

Son iki veri noktası kaldırılmış olarak tekrar çalıştırdığımda makul bir tahmin alıyorum. Lütfen aşağıya bakın:

values.clean <- c(27, 27, 7, 24, 39, 40, 24, 45, 36, 37, 31, 47, 16, 24, 6, 21, 
                  35, 36, 21, 40, 32, 33, 27, 42, 14, 21, 5, 19, 31, 32, 19, 36, 
                  29, 29, 24, 42, 15)## Last two points removed

train_ts.clean<- ts(values.clean, frequency=12)
fit2.clean<-ets(train_ts.clean)  
ets.f.clean <- forecast(fit2.clean,h=24)
plot(ets.f.clean)

@forecasterson değerin bir aykırı olduğu doğrudur, ancak trendleri ve mevsimsel aktiviteyi dikkate aldığınızda periood 38 (sondan bir önceki değer) bir aykırı değildir. Bu, alternatif sağlam yaklaşımların test edilmesi / değerlendirilmesi için tanımlayıcı / öğretici bir andır. Anormallikleri tanımlamaz ve ayarlamazsanız, varyans şişer ve diğer öğelerin bulunmamasına neden olur. Dönem 32 de bir aykırı değerdir. 3,32 ve 1 dönemleri de aykırı değerlerdir. Seride ilk 17 değer için istatistiksel olarak anlamlı bir eğilim vardır, ancak daha sonra 18 periyodundan başlayarak azalır. Dolayısıyla, verilerde gerçekten iki eğilim vardır. Burada öğrenilecek olan ders, herhangi bir eğilim veya belirli bir eğilim biçimi kabul etmeyen ve / veya örtük bir biçimde, oto-regresif sürecin belirli bir biçiminin ciddi bir şekilde sorgulanması gerektiğini varsayan basit yaklaşımlardır. İleriye dönük olarak iyi bir tahmin, nihai noktada (istisna 39) bulunan istisnai faaliyetin olası devamını dikkate almalıdır. Bunu verilerden çıkarmak imkansızdır.

Bu muhtemelen yararlı bir modeldir:

Son modelin istatistikleri burada Gerçek / Fit ve Tahmin grafiği, olağanüstü etkinliği vurguladığı için ilginçtir.