R语言实现ARIMA，能否自动确定模型阶数，并给出预测值

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

  我是刚刚接触时间序列分析。
  在网上看了些程序和视频，发现都是 用不同的（p,d,q）去测试，根据测试结果  用户判断，选择最佳的（p,d,q）.  如下列程序

1. # ARIMA(1,0,0) or AR(1)
   
2. arima(Y, order = c(1,0,0))

复制代码

能否编写一个程序，给定一串数据后，可以自动判断最佳的阶数（p,d,q）, 并给出一定时间段内的预测值？

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏6 回帖

关键词：ARIMA R语言 Rim ima 预测值 ARIMA预测 ARIMA模型

library(forecast)
auto.arima

install.packages(forecast)
library(forecast)
armamodel=auto.arima()

学习中！

拟合后的结果是这样，看不懂……
> auto.arima(x.dif)
Series: x.dif
ARIMA(0,0,2) with zero mean

Coefficients:
          ma1      ma2
      -0.1099  -0.3618
s.e.   0.0798   0.0781

sigma^2 estimated as 0.02427:  log likelihood=60.29
AIC=-114.57   AICc=-114.39   BIC=-105.85

十里春风 发表于 2016-5-17 20:04
library(forecast)
auto.arima

这个是最傻瓜但是最实用的了。

meoeoeo 发表于 2017-12-21 19:31
拟合后的结果是这样，看不懂……
> auto.arima(x.dif)
Series: x.dif

这个是自动建模，模型是MA（2），系数就是ma1，ma2，下面的s.e应该是标准差最下的是一下评价准则的结果

小白smallhero 发表于 2017-12-23 12:51
这个是自动建模，模型是MA（2），系数就是ma1，ma2，下面的s.e应该是标准差最下的是一下评价准则的结果

请问写出来的函数是什么样的

可以的，有个forecast的包，可以直接确定ARIMA模型的阶数
data <- read.csv("book1.xlsx",sep=",")
data
y <- ts(data$y,start = 1978,frequency = 1)
y
par(mfrow = c(1,1))
plot(data$y)
hist(data$y)
yd <- diff(log(y),1)
yd
plot(yd)
acf(yd,lag = 24)
pacf(yd,lag = 24)
fit <- arima(yd,order = c(1,0,1),method = 'ML')
fit
fit1 <- arima(yd,order = c(1,0,0),method = 'ML')
fit1
tsdiag(fit)
predict(fit,n.ahead = 3)$pred
library(forecast)
data$y
fit <- auto.arima(y)
fit
model <- arima(y,order = c(1,1,1))
accuracy(model)
accuracy(fit)
accuracy(fit1)
accuracy(fit2)
model$aic
fit$aic
forecast(fit,5)
plot(forecast(fit,5))

> x<-ts(x,start=1988)
> plot(x)
>  for(i in 1:2)
+  {print(Box.test(x,lag=6*i))}

        Box-Pierce test

data:  x
X-squared = 62.543, df = 6, p-value = 1.368e-11


        Box-Pierce test

data:  x
X-squared = 70.871, df = 12, p-value = 2.2e-10

>  x.dif<-diff(x)
>  plot(x.dif)
> acf(x.dif)
> pacf(x.dif)
> y.dif<-diff(x.dif)
> plot(y.dif)
> acf(y.dif)
> pacf(y.dif)
> x.fit<-arima(x,order=c(1,2,2))
> x.fit

Call:
arima(x = x, order = c(1, 2, 2))

Coefficients:
         ar1      ma1     ma2
      0.2088  -1.3440  0.3441
s.e.  1.8221   1.8088  1.8016

sigma^2 estimated as 361.6:  log likelihood = -106.54,  aic = 221.08
> library(forecast)
> x.fore<-forecast(x.fit,h=3)
> x.fore
     Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
2014       360.1367 335.2747 384.9986 322.1136 398.1598
2015       357.2889 323.7881 390.7896 306.0538 408.5239
2016       354.6531 314.2735 395.0327 292.8979 416.4084
根据这个程序得到了未来三年的预测值，但是如何得到14年之前的拟合值