基于时间序列分析的印度经济预测框架

R是一种开源语言，它有一组非常丰富的库，非常适合数据分析工作。在这项工作中，我们使用了印度孟买证券交易所（BSE）2010年1月至2016年12月期间医疗行业指数的月度数据。医疗保健行业7年的月度指数值存储在纯文本（.txt）文件中。然后使用scan（）函数R将明文文件读入R数据对象。然后在R编程环境中使用ts（）函数将R数据对象转换为时间序列对象。然后，使用R中TTR库中已定义的分解（）函数将时间序列数据对象分解为三个组件：趋势、季节和随机。我们绘制了医疗时间序列数据及其三个组件的图形，并对时间序列的行为进行了详细分析。在详细分析医疗行业时间序列的分解结果后，我们提出了六种不同的预测时间序列值的方法。对于每种拟议的预测方法，我们使用2010年1月至2015年12月期间的医疗保健时间序列数据构建预测模型，并将该模型应用于预测2016年每个月的时间序列指数。由于我们知道2016年所有月份的时间序列的实际值，我们使用我们提出的每种预测方法计算误差信息预测。

此外，还进行了详细的对比分析，重点介绍了哪种方法在什么情况下以及对于什么类型的时间序列表现最好。在我们之前的工作中，我们强调了时间序列分解方法在印度汽车行业稳健分析和预测中的有效性（Sen&Datta Chaudhuri，2016a；Sen&DattaChaudhuri，2016b）。在另一项不同的研究中，我们分析了印度经济的两个不同部门——小盘股部门和资本货物部门——的行为，前者具有主导的随机成分，而后者表现出显著的季节成分（Sen&Datta Chaudhuri，2016c）。按照不同的时间序列分析方法，我们还研究了印度信息技术（IT）部门时间序列和印度资本货物部门时间序列的行为（Sen&Datta Chaudhuri，2016d）。在另一项不同的工作中，我们说明了基于时间序列分解的方法如何使我们能够检查amutual基金的基金风格和实际基金构成之间的一致性（Sen&Datta Chaudhuri，2016e）。在这项工作中，我们展示了基于时间序列分解的方法如何帮助我们根据2010年1月至2016年12月期间的时间序列数据了解印度经济医疗保健时间序列的行为和不同性质。我们还研究了什么样的forecastingapproach对医疗保健时间序列最有效。为此，我们比较了几种预测方法，并确定了产生预测误差最小值的方法。我们对所有提出的预测方法进行了关键性分析，并解释了为什么某一特定方法对医疗时间序列数据最有效，而其他一些方法对医疗时间序列数据却没有这样做。4.

时间序列分解结果在本节中，我们展示了2010年1月至2016年12月期间，我们在BSE健康指数的时间序列分解工作中获得的结果。首先，我们创建一个纯文本（.txt）文件，其中包含2010年1月至2016年12月期间医疗保健部门的月度索引值。该文件包含84份记录，对应于研究7年中的84个月。我们使用R语言中的scan（）函数读取文本文件并将其存储在R数据对象中。然后，我们使用R函数ts（）将此R数据对象转换为时间序列对象。我们使用ts（）函数中的频率参数值作为12，以便每月对时间序列进行分解。创建时间序列数据对象后，我们使用R中的函数plot（）绘制2010年1月至2016年12月期间医疗保健行业时间序列的图。图1显示了医疗行业时间序列图。图1：印度医疗行业指数时间序列（2010年1月至2016年12月）图2：将医疗行业指数时间序列分解为趋势、季节和随机成分（2010年1月至2016年12月）为了更深入地了解时间序列的行为，我们将时间序列对象分解为三个成分——趋势、季节和随机。我们在R编程环境中使用了TTR库中定义的decompose（）函数。以Healthcare time series对象为参数调用decompose（）函数，得到时间序列的三个分量。图2描述了医疗行业时间序列及其三个组成部分的图表。图2由堆叠的四个盒子组成。

这些框显示整体时间序列、趋势、季节和随机分量，分别按从上到下的顺序排列。从图1可以看出，从2010年到2014年前几个月，时间序列呈上升趋势。从2014年年中到2015年第一季度末，时间序列经历了更大幅度的增长。然而，从那以后，它开始下降，并在2016年全年变得缓慢。图2显示了医疗保健时间序列的分解结果。时间序列的三个组成部分分别显示，以便可以可视化它们的相对行为。表1给出了时间序列数据及其三个组成部分的数值。trend和therandom组件在2010年1月至2010年6月期间以及2016年7月至2016年12月期间均不可用。这是因为趋势计算需要长期数据。考夫兰（2015）指出，R中的decompose（）函数使用12个月移动平均法计算时间序列中的趋势值。因此，为了计算2010年1月至2010年6月期间的趋势值，decompose（）函数需要2009年7月至2009年12月期间的时间序列数据。由于我们研究的数据集中没有2009年7月至2009年12月期间的数据，因此无法计算2010年1月至2010年6月期间的趋势值。同样，由于数据集中2017年1月至2017年6月期间的时间序列记录不可用，因此无法计算2016年7月至2016年12月期间的趋势值。从表1可以看出，在整个研究期间，给定月份的季节值保持不变。

例如，从2010年到2016年，每年1月的季节分量的常量值为22。值得注意的是，由于2010年1月至2010年6月和2016年7月至2016年12月期间的趋势值不可用，因此这些期间的随机成分也无法通过decompose（）函数计算。