R中生成的非平稳数据与auto.arima
为了执行时间序列分析，我生成了自己的虚拟销售数据。
它被认为是一家成长中的公司，因此我顺应了一种趋势。然而，我阅读了一些教程，并经常阅读这些信息，即非平稳时间序列不应由auto.arima函数预测。
但我收到的结果是有意义的，如果我要区别数据(我也这么做了)，输出就没有多大意义。
所以我的问题来了：我可以在我的数据中使用函数吗?显然有一个趋势？
先向你问好，谢谢你，弗朗西斯科
eps <- rnorm(100, 30, 20)
trend <- seq(1, 100, 1)
trend <- 3 * trend
Sales <- trend + eps
timeframe<-seq(as.Date("2008/9/1"),by="month",length.out=100)
Data<-data.frame(Sales,timeframe)
plot(Data$timeframe,Data$Sales)
ts=ts(t(Data[,1]))
plot(ts[1,],type='o',col="black")
md=rwf(ts[1,],h=12,drift=T,level=c(80,95))
auto.arima(ts[1,])使用预测函数，我们可以绘制下一年的预期销售额：plot(forecast(auto.arima(ts[1,]),h=12))
使用我们的自动ARIMA预测功能可以帮助我们规划下一个季度。
forecast(auto.arima(ts[1,]),h=4)
plot(forecast(auto.arima(ts[1,])))另一种方法是使用自动绘图函数。
fc<-forecast(ts[1,])
autoplot(fc)下一步是分析我们的时间序列。我执行adf试验，它有一个零假设，即数据是非平稳的.因此，对于5%的默认阈值，我们的p值必须大于0.05，才能被证明为非平稳的。
library(tseries)
adf=adf.test(ts[1,])
adf输出表明数据是非平稳的：
acf
acf=Acf(ts[1,])
Acf(ts[1,])自相关几乎在稳步下降，这也指向了非平稳数据.做kpss.test应该验证我们的数据是非平稳的，因为它的零假设与adf检验相反。
我们是否期望一个小于0.05的值
kpss=kpss.test(ts[1,])
kpss我们得到的p值为0.01，进一步证明了数据有一个趋势。
ndiffs(ts[1,])
diff.data=diff(ts[1,])
auto.arima(diff.data)
plot(forecast(diff.data))回答 1
Stack Overflow用户
发布于 2016-12-21 03:14:44
要回答您的问题- yes，您可以在对非平稳数据的预测包中使用auto.arima()函数。
如果您查看auto.arima()的帮助文件(通过键入?auto.arima)，您将看到它解释了您可以选择指定"d“参数--这是差异的顺序--一阶表示您将数据差一次，二阶表示您将数据差两次等等。您还可以选择不指定此参数，在这种情况下，auto.arima()函数将使用"kpss”测试确定适当的差分顺序。还有其他单元根测试，例如增广Dickey-Fuller，您可以通过设置auto.arima“adf”来选择在test=函数中使用它。这取决于你的喜好。
有关auto.arima函数的更多信息，请参阅第11页和后续页面：
https://cran.r-project.org/web/packages/forecast/forecast.pdf
https://stackoverflow.com/questions/41213940
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号