回归时间序列

Question

我有 6 个月的数据，从 2015 年 11 月到 2016 年 4 月（每个大约 3600 行）。我必须预测 5 月份的数据。我认为这是一个非平稳时间序列。我是 R 编程的新手。请帮忙。

数据是这样的。

Nov dec Jan Feb Mar Apr   May
0   0   0   2   0   0      ?
1   1   0   0   0   1      ?
0   1   0   0   1   0      ?
5   2   1   0   1   3      ?
0   0   2   0   1   0      ?
4   0   2   0   1   1      ?

Answer 1

我不确定你的问题是什么。如何做出预测？或者如何测试（非）平稳时间序列？

要测试固定时间序列，请安装 tseries 包。通过在控制台中键入 install.packages("tseries") 并将以下命令添加到您的代码 library(tseries) 来执行此操作（此命令加载已安装的包）。然后您可以使用 adf.test 函数执行增强的 Dickey-Fuller 测试。有关如何使用此功能的更多信息，请在安装并加载 tseries 程序包后输入 ?adf.test。

如何进行预测完全取决于您使用的模型。例如，如果您使用 ar 函数制作 AR 模型，则可以使用 predict.ar 函数进行预测。通常只使用 predict 就足够了，因为 R 可以识别对象（在我的示例中是一个 ar 对象），因此知道调用 predict.ar.

希望对您有所帮助！

编辑：这是一段简单的代码，向您展示我将如何对您的数据集进行预测

    #This is not an efficient code, but intstructive and easy readable imo
    #I will make an AR(p) model, where p is chosen by the ar() function
    #note that for an AR model, we need a time series
    #I make an AR model for each row, since each row reperesents the time series of 1 subject in your data

    #load data
    myData <- read.csv(FILENAME)

    May <- NULL #use this to store the predictions for May
    for (i in 1:nrow(myData))
    {
      timeSeries <- t(myData[i,]) #for an ar model, we need a time series, so the rows in myData
      arModel <- ar(timeSeries) #build the model
      arPrediction <- predict(arModel) #make the prediction
      May <- rbind(May, arPrediction) #add the prediction to other predictions
    }

data <- round(runif(10, min = 0, max = 10))
arModel <- ar(data)
arPrediction <- predict(arModel)

回归时间序列

Regression Time Series

rstudio