使用 auto.arima() 和 xreg 进行样本外预测

Question

我正在研究一个预测模型，其中我有从 2014 年到当前月份（2018 年 3 月）的月度数据。

我的部分数据是帐单列和报价金额列，例如（为格式道歉）

年 - 季度 - 月 - 账单 - 报价
2014- 2014Q1-- 201401- 100-------------500
2014- 2014Q1-- 201402- 150-------------600
2014- 2014Q1-- 201403- 200------------700

我用它来预测每月的销售额，并尝试将 xreg 与每月的报价数量结合使用。

我查看了下面的文章，但缺少一些东西来完成我正在尝试做的事情：

问题：有人可以展示一个使用 xreg 预测 OUT OF SAMPLE 的例子吗？我知道为了实现这一点，您需要预测样本外的 xreg 变量，但我不知道如何将这些未来值传入。

我在预测值后尝试使用 futurevalues$mean 之类的东西，但这没有用。

这是我的代码：

sales = read.csv('sales.csv')

# Below, I'm creating a training set for the models through 
#  December 2017 (48 months).
train = sales[sales$TRX_MON<=201712,]

# I will also create a test set for our data from January 2018 (3 months)
test = sales[sales$TRX_MON>201712,]

dtstr2 <- ts(train2, start=2014, frequency=12)
dtste2 <- ts(test2, start=2018, frequency=12)

fit2 <- auto.arima(dtstr2[,"BILLINGS"], xreg=dtstr2[,"QUOTES"])
fcast2 <- forecast(fit2, xreg=dtste2[,"QUOTES"], h=24)
fcast2

上面的代码有效，但只给出了 3 个月的预测，例如

                  Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
Jan 2018          70                60       100      50       130
Feb 2018          80                70       110      60       140
Mar 2018          90                80       120      70       150

我搜索了尽可能多的博客和主题，寻找使用 auto.arima 对 xreg 变量进行样本外预测的示例，但找不到任何这样做的例子。

有人可以帮忙吗？

非常感谢。

Answer 1

这是一个 MWE，用于对具有未知协变量的时间序列进行样本外预测。这取决于提供的数据以及@Raad 的出色回答。

library("forecast")

dta = read.csv("~/stackexchange/data/xdata.csv")[1:96,]
dta <- ts(dta, start = 1)

# to illustrate out of sample forecasting with covariates lets split the data
train <- window(dta, end = 90)
test <- window(dta, start = 91)

# fit model
covariates <- c("Customers", "Open", "Promo")
fit <- auto.arima(train[,"Sales"], xreg = train[, covariates])

根据测试数据预测

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

但是如果我们还不知道客户的价值怎么办？期望的目标是预测客户，然后使用这些预测销售预测中的值。打开和促销都在控制之下经理，所以将 "fixed" 在预测中。

customerfit <- auto.arima(train[,"Customers"], xreg = train[, c("Open","Promo")])

我会尝试预测 2 周后，假设没有促销活动。

newdata <- data.frame(Open = rep(c(1,1,1,1,1,1,0), times = 2),
                          Promo = 0)

customer_fcast <- forecast(customerfit, xreg = newdata)

# the values of customer are in `customer_fcast$mean`

newdata$Customers <- as.vector(customer_fcast$mean)

以与原始数据相同的顺序获取新数据列至关重要！ forecast() 通过 position

匹配回归变量

sales_fcast <- forecast(fit, xreg = as.matrix(newdata)[,c(3,1,2)])
plot(sales_fcast)

由 reprex package (v0.2.0) 创建于 2018-03-29。

Answer 2

再次感谢您的协助。

我能够结合使用上述建议来获得我想要的东西。

最终，我最终做的是为我的外生变量创建时间序列对象并预测它们。然后，我采用 predict$mean 输出并为它们创建时间序列对象（无论我想要预测原始变量的长度如何），然后将它们输入到我的原始预测模型中。

使用 auto.arima() 和 xreg 进行样本外预测

Out of Sample forecast with auto.arima() and xreg

r

forecasting

arima