Mô hình ARIMA theo mùa trong R

Tôi có dữ liệu giá hàng tháng cho một mặt hàng từ năm 2007 đến 2017. Bạn có thể tìm thấy nó trong liên kết sau: https://drive.google.com/open?id=0BxRCOgKAL4itcUZlOExrUmVOanc Tôi cần dự báo sử dụng mô hình ARIMA theo mùa trong R cho tiếp theo năm. Khi tôi đang sử dụng auto.arimachức năng, nó gợi ý cho tôi mô hình tốt nhất ARIMA(0,1,1)thay vì ARIMA(p,d,q)(P,D,Q)12. Phần theo mùa của một số model(P,D,Q)là mất tích. Tôi không biết tại sao điều này xảy ra. Là dữ liệu của tôi không theo mùa hoặc có gì đó sai trong mã của tôi. Ngoài ra, giá trị dự báo được đưa ra bởi mô hình là không đổi trong những tháng tiếp theo không đáng kể. Xin vui lòng giúp đỡ! Đây là mã:

data <- read.delim("C:/Users/hp/Desktop/heckyl/forecasting model/Soybean_Prices.txt", header=F)
View(data)
summary(data)
summary(data)
ts.data = ts(data, frequency=12, start=c(2007,6))
ts.data
plot(ts.data)

dim(as.matrix(ts.data))
################################################################################

# Training and Testing Dataset
data.train = window(ts.data, start = c(2007,6), end = c(2013,12)) 
plot(data.train)
dim(as.matrix(data.train))
data.test = window(ts.data, start = c(2014,1))
plot(data.test)
dim(as.matrix(data.test))
################################################################################

# Developing an SARIMA model and Analysis of Model
library(forecast)
arima1 = auto.arima(data.train, trace=FALSE, test="kpss",  ic="aic")
summary(arima1)
confint(arima1)

# Residual Diagonostics
plot.ts(arima1$residuals)
Box.test(arima1$residuals,lag=20, type="Ljung-Box")
acf(arima1$residuals, lag.max=24, main="ACF of the Model")
Box.test(arima1$residuals^2,lag=20, type="Ljung-Box")
library(tseries)
jarque.bera.test(arima1$residuals)

arima1.forecast= forecast.Arima(arima1, h=41)
arima1.forecast
plot(arima1.forecast, xlab="Years", ylab="Price for Soybean")

library(TSPred)
plotarimapred(data.test, arima1, xlim=c(2014, 2017), range.percent = 0.05)
accuracy(arima1.forecast, data.test)

Bạn có thể "buộc" tính thời vụ bằng cách đặt D = 1 hoặc thêm các biến hồi quy. Nếu bạn nghĩ rằng có tính thời vụ phức tạp hơn, bạn có thể cân nhắc sử dụng thuật ngữ Fourier? Xem liên kết này phức tạp theo mùa Hyndman

Cố gắng sử dụng lệnh này thay vì lệnh bạn đang sử dụng để nhận các tham số của ARIMA.

arima1 = auto.arima(data.train, trace=FALSE, test="kpss", ic="aic", 
                    stepwise=FALSE, approximation=FALSE)

Đôi khi sử dụng các lệnh này cho mô hình tốt nhất.

dữ liệu của bạn cho thấy mô hình sau

với . Thực tế, phù hợp và dự báo là ở đây . Dữ liệu cho thấy sự thay đổi mức độ (rõ ràng trực quan) và hai chỉ số theo mùa có ý nghĩa tĩnh (tháng 4 và tháng 9) và một số bất thường (6). Tôi đã sử dụng R để làm phân tích. Thật không may auto.arima đưa ra một số giả định quan trọng về hình thức mô hình, tức là không thay đổi cấp độ và không có xung / chỉ số theo mùa và tất nhiên không có bất thường. Nó luôn luôn là tốt để đọc các bản in tốt.

Thực tế là chỉ có hai tháng trong năm trưng bày "tính thời vụ" để giải thích lý do tại sao auto.arima cung cấp một mô hình có "thành phần theo mùa bằng cách nào đó bị thiếu". Ngay cả một chiếc đồng hồ bị hỏng cũng đúng hai lần một ngày và trong trường hợp này, đồng hồ đã "gần như đúng" vì không có thành phần / hiệu ứng theo mùa tự động đáng kể chỉ là một thành phần / hiệu ứng xác định trong tháng 4 và tháng 9.

Dự báo 6 kỳ ...