Dự báo chuỗi thời gian Arima (auto.arima) với nhiều biến ngoại sinh trong R

Tôi muốn tiến hành dự báo dựa trên mô hình ARIMA chuỗi nhiều thời gian với nhiều biến ngoại sinh. Vì tôi không khéo léo liên quan đến cả số liệu thống kê và RI không muốn giữ đơn giản nhất có thể (Dự báo xu hướng trong 3 tháng là đủ).

Tôi có 1 chuỗi thời gian phụ thuộc và 3-5 chuỗi thời gian dự đoán, tất cả dữ liệu hàng tháng, không có khoảng trống, cùng lúc "chân trời".

Tôi đã gặp chức năng auto.arima và tự hỏi liệu đây có phải là một giải pháp phù hợp cho vấn đề của tôi không. Tôi có giá hàng hóa khác nhau và giá của các sản phẩm làm từ chúng. Tất cả dữ liệu thô là không cố định nhưng thông qua sự khác biệt theo thứ tự đầu tiên, tất cả chúng đều trở thành dữ liệu tĩnh. ADF, KPSS chỉ ra điều này. (Điều này có nghĩa là tôi đã thử nghiệm để tích hợp, phải không?).

Câu hỏi của tôi bây giờ là: Làm thế nào để tôi áp dụng điều này với chức năng auto.arima VÀ ARIMA có phải là phương pháp phù hợp không? Một số ppl đã khuyến khích tôi sử dụng VAR, nhưng điều đó có khả thi với ARIMA không?

Bảng dưới đây là dữ liệu của tôi. Trên thực tế, tập dữ liệu tăng đến 105 lần quan sát, nhưng 50 lần đầu tiên sẽ thực hiện. Xu hướng cũng như tính thời vụ rõ ràng được quan tâm ở đây.

nhập mô tả hình ảnh ở đây

Cảm ơn cho bất kỳ lời khuyên và giúp đỡ! Georg

r time-series arima

— George
nguồn

xin vui lòng gửi dữ liệu của bạn để nó có thể được tải xuống. sử dụng excel. Điều này chỉ đơn giản là một nhiệm vụ để xác định chuỗi đầu vào không cần thiết (có thể tương quan chéo đáng kể). Tôi không nghĩ rằng VAR là cần thiết hoặc Thành phần nguyên tắc hữu ích cho vấn đề này

— IrishStat

$y$

Để auto.arima()làm việc với các biến hồi quy bên ngoài, hãy thu thập các biến hồi quy của bạn thành một ma trận Xmà bạn đưa vào xregtham số của auto.arima(). (Tất nhiên, Xphải có cùng số lượng hàng với chuỗi thời gian ybạn đang tạo mô hình.)

Để dự báo, bạn sẽ cần các giá trị tương lai của các biến hồi quy, sau đó bạn lại đưa vào xregtham số của forecast.

Các trang trợ giúp là ?auto.arimavà ?forecast.Arima(lưu ý viết hoa A - đây không phải là một lỗi đánh máy. Đừng hỏi tôi ...).

— Stephan Kolass
nguồn

(+1) Bạn có thể giải thích một chút về ý tưởng nhân quả và cách kiểm tra nó. Nó có thể hữu ích cho sự hoàn chỉnh của câu trả lời của bạn, vì bạn đề cập rằng quyết định sử dụng ARIMA được xác định theo hướng nhân quả giữa các biến. Bạn có ví dụ suy nghĩ về bài kiểm tra quan hệ nhân quả Granger hoặc bài kiểm tra Hausman ? Cảm ơn.

— javlacalle

@javlacalle: Tôi không phải là một fan hâm mộ lớn của các bài kiểm tra thống kê về tính nhân quả (trong đó bài kiểm tra Granger là nổi tiếng nhất). Tôi rất thích quyết định về "quan hệ nhân quả có thể xảy ra" dựa trên vấn đề. Chẳng hạn, tôi sẽ không sử dụng thử nghiệm Granger để đánh giá liệu việc giảm giá có làm tăng doanh số của siêu thị hay theo cách khác. Cũng không phải GDP, tỷ giá hối đoái và tạo việc làm là nhân quả lẫn nhau. Trong cả hai trường hợp, vấn đề dường như đủ rõ ràng và một bài kiểm tra phù hợp với lý thuyết sẽ không dạy chúng ta điều gì, trong khi một bài kiểm tra mâu thuẫn với lý thuyết sẽ chỉ gây nhầm lẫn (và có lẽ không hơn tiếng ồn).

— Stephan Kolassa

... Tôi biết rằng tôi đang mở ra ngọn lửa với bình luận cuối cùng của mình ;-)

— Stephan Kolassa

@ Stephan: Cảm ơn bạn đã đóng góp. Mặc dù y của tôi là definitley gây ra bởi các biến hồi quy của tôi chứ không phải theo cách khác, nhưng các biến hồi quy của tôi chắc chắn tương quan với nhau và cũng sẽ có ít nhiều tác động trực tiếp lên nhau. Theo nhận xét của bạn, điều này có nghĩa là tôi nên sử dụng VAR thay vì arima, vì điều này sẽ tránh được các vấn đề (?). Tôi đang sử dụng một nhóm giá hàng hóa / sản phẩm ở đây, về cơ bản tất cả đều liên quan đến nhau đến một điểm nhất định. "Nguyên liệu thô" là Y của tôi, các sản phẩm từ chuỗi giá trị, cũng như các sản phẩm phụ, v.v ... là những yếu tố dự đoán của tôi.

— George

Biết ngữ cảnh của dữ liệu luôn hữu ích và kết quả từ bất kỳ phân tích nào nên được so sánh với kiến thức tiên nghiệm của chúng tôi . Một số thận trọng được khuyến khích dù sao. Trực giác đôi khi thất bại và các lý thuyết đôi khi được coi là dựa trên các giả định không được hỗ trợ bởi các sự kiện. Nhưng tôi hiểu những gì bạn có ý nghĩa và đồng ý tổng thể.

— javlacalle