关于时间序列的问题

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

原始数据如图，这数据是不是做不了时间序列，
我差分自动定阶不行
还是有别的方法

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0 回帖

关键词：时间序列 原始数据

library("zoo")
library("forecast")
library("fUnitRoots")

setwd("D:/R")
jl<-read.table("hegang2.txt")
jl

x<-ts(jl,start=c(2015,1),frequency=12)
x

plot(x)
acf(x)
pacf(x)

x.fit<-HoltWinters(x,gamma=F)
x.fit
plot(x.fit)

x.fore<-forecast(x.fit,h=12)
x.fore
plot(x.fore)



auto.arima(x,trace=T)

a<-arima(x,order=c(0,1,0))

for(i in 1:2) print(Box.test(a$residual,lag=6*i))

x.fore1<-forecast(a,h=12)
x.fore1
plot(x.fore1)

> library("zoo")
> library("forecast")
> library("fUnitRoots")
>
> setwd("D:/R")
> jl<-read.table("hegang2.txt")
> jl
     V1
1  1.76
2  1.76
3  1.93
4  1.81
5  1.81
6  1.86
7  1.98
8  2.06
9  2.28
10 2.52
11 2.82
12 3.83
13 3.43
14 3.53
15 4.33
16 5.37
17 5.05
18 7.00
19 7.00
20 4.44
21 3.11
22 3.25
23 3.11
24 3.33
25 2.96
26 3.01
27 3.05
28 3.20
29 2.79
30 2.77
31 2.86
32 3.35
33 3.08
34 3.13
35 3.22
36 3.34
37 3.82
38 3.91
39 3.61
40 5.04
41 4.44
42 4.19
43 5.52
44 4.78
45 4.40
46 4.19
47 4.15
48 3.90
>
> x<-ts(jl,start=c(2015,1),frequency=12)
> x
      Jan  Feb  Mar  Apr  May  Jun  Jul  Aug  Sep  Oct  Nov  Dec
2015 1.76 1.76 1.93 1.81 1.81 1.86 1.98 2.06 2.28 2.52 2.82 3.83
2016 3.43 3.53 4.33 5.37 5.05 7.00 7.00 4.44 3.11 3.25 3.11 3.33
2017 2.96 3.01 3.05 3.20 2.79 2.77 2.86 3.35 3.08 3.13 3.22 3.34
2018 3.82 3.91 3.61 5.04 4.44 4.19 5.52 4.78 4.40 4.19 4.15 3.90
>
> plot(x)
> acf(x)
> pacf(x)
>
> x.fit<-HoltWinters(x,gamma=F)
> x.fit
Holt-Winters exponential smoothing with trend and without seasonal component.

Call:
HoltWinters(x = x, gamma = F)

Smoothing parameters:
alpha: 1
beta : 0
gamma: FALSE

Coefficients:
  [,1]
a  3.9
b  0.0
> plot(x.fit)
>
> x.fore<-forecast(x.fit,h=12)
> x.fore
         Point Forecast     Lo 80    Hi 80      Lo 95    Hi 95
Jan 2019            3.9 3.0155573 4.784443  2.5473615 5.252638
Feb 2019            3.9 2.6492091 5.150791  1.9870804 5.812920
Mar 2019            3.9 2.3681002 5.431900  1.5571615 6.242839
Apr 2019            3.9 2.1311145 5.668885  1.1947231 6.605277
May 2019            3.9 1.9223259 5.877674  0.8754085 6.924592
Jun 2019            3.9 1.7335666 6.066433  0.5867260 7.213274
Jul 2019            3.9 1.5599844 6.240016  0.3212550 7.478745
Aug 2019            3.9 1.3984181 6.401582  0.0741607 7.725839
Sep 2019            3.9 1.2466718 6.553328 -0.1579154 7.957915
Oct 2019            3.9 1.1031465 6.696854 -0.3774184 8.177418
Nov 2019            3.9 0.9666353 6.833365 -0.5861942 8.386194
Dec 2019            3.9 0.8362005 6.963800 -0.7856771 8.585677
> plot(x.fore)
>
>
>
> auto.arima(x,trace=T)

ARIMA(2,1,2)(1,0,1)[12] with drift         : Inf
ARIMA(0,1,0)            with drift         : 100.7521
ARIMA(1,1,0)(1,0,0)[12] with drift         : 105.3491
ARIMA(0,1,1)(0,0,1)[12] with drift         : 105.3141
ARIMA(0,1,0)                               : 98.78144
ARIMA(0,1,0)(1,0,0)[12] with drift         : 103.0058
ARIMA(0,1,0)(0,0,1)[12] with drift         : 103.0133
ARIMA(0,1,0)(1,0,1)[12] with drift         : Inf
ARIMA(1,1,0)            with drift         : 102.977
ARIMA(0,1,1)            with drift         : 102.9323
ARIMA(1,1,1)            with drift         : 103.9286

Best model: ARIMA(0,1,0)                              

Series: x
ARIMA(0,1,0)

sigma^2 estimated as 0.4581:  log likelihood=-48.35
AIC=98.69   AICc=98.78   BIC=100.54
>
> a<-arima(x,order=c(0,1,0))
>
> for(i in 1:2) print(Box.test(a$residual,lag=6*i))

        Box-Pierce test

data:  a$residual
X-squared = 5.259, df = 6, p-value = 0.5111


        Box-Pierce test

data:  a$residual
X-squared = 6.3729, df = 12, p-value = 0.8961

>
> x.fore1<-forecast(a,h=12)
> x.fore1
         Point Forecast     Lo 80    Hi 80       Lo 95    Hi 95
Jan 2019            3.9 3.0325721 4.767428  2.57338354 5.226616
Feb 2019            3.9 2.6732717 5.126728  2.02388101 5.776119
Mar 2019            3.9 2.3975708 5.402429  1.60223289 6.197767
Apr 2019            3.9 2.1651442 5.634856  1.24676708 6.553233
May 2019            3.9 1.9603723 5.839628  0.93359542 6.866405
Jun 2019            3.9 1.7752443 6.024756  0.65046659 7.149533
Jul 2019            3.9 1.6050016 6.194998  0.39010276 7.409897
Aug 2019            3.9 1.4465435 6.353457  0.14776202 7.652238
Sep 2019            3.9 1.2977164 6.502284 -0.07984938 7.879849
Oct 2019            3.9 1.1569522 6.643048 -0.29512960 8.095130
Nov 2019            3.9 1.0230672 6.776933 -0.49988904 8.299889
Dec 2019            3.9 0.8951417 6.904858 -0.69553422 8.495534
> plot(x.fore1)

羊974238651 发表于 2018-1-1 20:04
原始数据如图，这数据是不是做不了时间序列，
我差分自动定阶不行
还是有别的方法

感谢分享