Harici değişkenli tahmin zaman serisi verileri

Şu anda bir zaman serisi verisi (aylık veri) tahmini yapmak için bir proje üzerinde çalışıyorum. Tahmin yapmak için R kullanıyorum. 1 bağımlı değişken (y) ve 3 bağımsız değişkenim var (x1, x2, x3). Y değişkeninin 73 gözlemi vardır, diğer 3 değişken de öyle (alos 73). Ocak 2009'dan Ocak 2015'e kadar. Korelasyonları ve p-değerini kontrol ettim ve hepsi bir modele koymak önemlidir. Sorum şu: Tüm bağımsız değişkenleri kullanarak nasıl iyi bir tahmin yapabilirim? Bu değişkenler için gelecekteki değerlerim yok. Diyelim ki 2 yılda (2017'de) y değişkenimin ne olduğunu tahmin etmek istiyorum. Bunu nasıl yapabilirim?

Aşağıdaki kodu denedim:

    model = arima(y, order(0,2,0), xreg = externaldata) 

Bu kod ile 2 yıldan uzun bir y değeri tahmin edebilir miyim?

Ayrıca bir regresyon kodu denedim:

    reg = lm(y ~ x1 + x2 + x3) 

Ancak bu kodda nasıl zaman ayırırım? Y değerinin ne olacağını nasıl tahmin edebilirim 2 yıl diyelim? İstatistikler ve tahminlerde yeniyim. Gecikme değeri boyunca bazı okuma ve cam yaptım, ancak tahmin yapmak için modelde bir gecikme değerini nasıl kullanabilirim?

Aslında genel sorum, gelecekteki değeri olmayan harici değişkenlere sahip bir zaman serisi verilerini nasıl tahmin edebilirim?

Bir modeli harici değişkenler kullanarak sığdırırsanız ve bu modelden tahmin etmek istiyorsanız, harici değişkenlerin gelecekteki değerlerine (basit ve basit) ihtiyacınız olacaktır. Etrafta yol bulunmuyor.

Açıklayıcı değişkenlerinizi tahmin etmenin elbette farklı yolları vardır. Son gözlemlenen değeri ("naif rastgele yürüyüş" tahmini) veya genel ortalamayı kullanabilirsiniz. Bu onlar için yararlı bir değerse bunları sıfıra ayarlayabilirsiniz (örneğin, geçmişte tekrarlanması beklenmeyen bir deprem gibi meydana gelen özel olaylar). Veya bir zaman serisi modelini bu açıklayıcı değişkenlerin kendilerine sığdırabilir ve tahmin edebilirsiniz, örn auto.arima.

Alternatif olarak, bir modeli $y$Açıklayıcı değişkenleri olmayan değerleri , xregparametreyi kaldırarak ve sonra$y$bu modeli kullanarak. Bir avantajı, bunun açıklayıcı değişkenlerinizdeki düzenlilikleri bile yakalayabilmesidir. Örneğin, dondurma satışlarınız sıcaklıktan kaynaklanıyor olabilir ve birkaç ay öncesinden sıcaklık için iyi tahminleriniz yok ... ancak sıcaklık mevsimsel, bu nedenle sadece bir modelin sıcaklık olmadan takılması mevsimsel bir model verir ve mevsimsel hatta eğer tahminler aslında oldukça iyi olabilir yok satışların fiili sürücüsünü içerir.

Ben tavsiye bu ücretsiz çevrimiçi öngörme ders kitabı , özellikle çoklu regresyon bu bölümü (maalesef Arimax hakkında hiçbir şey yoktur) yanı sıra Rob Hyndman blog post "Arimax modeli karışıklık" .

Yogi Berra'nın dediği gibi, "Özellikle gelecek hakkında tahminlerde bulunmak zor."

Birçok stat yazılım modülü, gelecekte Proc Tahmini veya SAS'da mevcut herhangi bir sayıda ARIMA modülü olmadığında gelecekteki herhangi bir bilginin yokluğunda tek değişkenli zaman serilerine dayanan tahminler üretecektir. Bu tahminler, verilerinizin geçmiş davranışlarına dayanan projeksiyonlardır.

Bize verilerinizin aylık olduğunu söylersiniz, ancak kaç adet döneminiz olduğunu söylemezsiniz. Başka bir yaklaşım, üç IV'ünüzün DV'ye göre 24 ay geri ayarlanmasıdır, böylece tahmin ettikleri süre t + 24'tür. Bu, hem modeli başlatmak hem de ilgili mevsimsellikleri uygun şekilde kalibre etmek için yeterli miktarda tarihinizin olduğunu varsayar.

Gördüğüm gibi üç seçeneğiniz var:

1. Bağımsız değişkenleriniz için yayınlanmış bir tahmin kullanın veya tahmin etmek için bir model bulun. Örneğin, Sayım tahmin edilen nüfus verilerine sahip olacaktır.
2. Sahip olduğunuz veri kümesini kullanarak, bağımsız değişkenlerinizin her birini zamana göre gerileyin ve ardından bu sonuçları bağımsız değişkenler için tahmin modelinizi kullanın
3. Bağımsız değişkenleri bırakın ve bağımlı değişkeninizi zamanın ve y'nin gecikmiş değerlerinin bir fonksiyonu olarak modelleyin.

Her yaklaşımın kendi güçlü ve zayıf yönleri vardır, bu nedenle en iyisi belirli bağlama bağlıdır.