auto.arima interpretieren

Du hast gerade ein Modell für deine Daten gebaut – aber welches genau? Nutze die Konsole rechts, gib das Objekt MET_t_model aus und finde heraus, welchen Typ von Zeitreihenmodell du hast.

Diese Übung ist Teil des Kurses

<Kurs>Prognose der Produktnachfrage in R</Kurs>

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Diese Übung ist Teil des Kurses

<Kurs>Prognose der Produktnachfrage in R</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.7+

Kurs kostenlos starten

Für Prognosen sind Zeitreihenmodelle ein idealer Einstieg! Du möchtest zukünftige Werte der Verkaufsnachfrage vorhersagen, und ein guter Basisansatz sind ARIMA-Modelle. In diesem Kapitel lernst du, wie du ARIMA-Modelle schnell implementierst und solide erste Vorhersagen für die zukünftige Produktnachfrage erhältst.

Exercise 1: Daten in ein xts-Objekt laden Exercise 2: Daten importieren Exercise 3: Daten plotten/visualisieren Exercise 4: ARIMA-Zeitreihen 101 Exercise 5: Funktion auto.arima()Exercise 6: auto.arima interpretieren

Aktuelle Übung

Exercise 7: Prognostizieren und Auswerten Exercise 8: Forecast-Funktion Exercise 9: MAPE und MAE berechnen Exercise 10: Vorhersage visualisieren Exercise 11: Konfidenzintervalle für die Prognose

Die Wirtschaftstheorie hat viel zur Vorhersage von Nachfragewerten zu sagen. Offensichtlich treiben externe Faktoren wie Preis, Saisonalität und der Zeitpunkt von Aktionen bestimmte Aspekte der Produktnachfrage. In diesem Kapitel lernst du die Grundlagen von Preiselastizitätsmodellen kennen und wie du Saisonalität und Aktionszeitpunkte in unsere Nachfrageprognosen für Produkte integrieren kannst.

Exercise 1: Preiselastizität Exercise 2: Preiselastizität berechnen Exercise 3: Ergebnisse der Elastizität interpretieren Exercise 4: Saisonale, Feiertags- und Promotion-Effekte Exercise 5: Feiertags-/Promotion-Effekte visualisieren Exercise 6: Variablen für Feiertags-/Promotionseffekte erstellen Exercise 7: Regression für Feiertags-/Promotionseffekte Exercise 8: Signifikante Feiertags- oder Promotion-Effekte?Exercise 9: Prognosen mit Regression Exercise 10: Zukünftige Prädiktorvariablen erstellen Exercise 11: Zukünftige Nachfragwerte vorhersagen Exercise 12: Prognosen aus Regression visualisieren

Zeitreihenmodelle und Preisregressionen müssen nicht als getrennte Ansätze für Nachfrageprognosen betrachtet werden. Man kann sie kombinieren! In diesem Kapitel lernst du zwei Möglichkeiten kennen, die in beiden Modellierungsansätzen gewonnenen Informationen zu „kombinieren“ – Transferfunktionen und Forecast-Ensembling.

Exercise 1: Residuen aus dem Regressionsmodell Exercise 2: Residuen aus der Regression berechnen Exercise 3: Residuen visualisieren Exercise 4: Residuen vorhersagen Exercise 5: Funktion auto.arima Exercise 6: Residualprognosen mit Zeitreihen Exercise 7: Residualprognosen visualisieren Exercise 8: Transferfunktionen & Ensembling Exercise 9: Residuen aus Regression und Zeitreihe kombinieren Exercise 10: Transfer-Function-Forecast visualisieren Exercise 11: MAPE und MAE der Transferfunktion berechnen Exercise 12: ARIMA-Vorhersage Exercise 13: Ensembling von Prognosen

Bisher ging es darum, einzelne Modelle zur Prognose der Produktnachfrage zu erstellen. Dabei haben wir jedoch noch nicht genutzt, dass all diese Produkte eine Verkaufshierarchie bilden. Produkte gehören zu Regionen, und Regionen zu Bundesstaaten. Wie stellen wir sicher, dass unsere Prognosen entlang der Hierarchie konsistent sind – nach oben und unten? In diesem Kapitel lernst du hierarchische Prognosen kennen und wie du sie für die Nachfrageprognose zu deinem Vorteil nutzt.

Exercise 1: Bottom-up hierarchische Prognose Exercise 2: Zeitreihenprognose für neues Produkt erstellen Exercise 3: Regressionsprognose für neues Produkt erstellen Exercise 4: Ensemble-Vorhersage für neues Produkt Exercise 5: Bottom-up-Prognose für die gesamte Region berechnen Exercise 6: Top-Down hierarchische Prognosen Exercise 7: Zeitreihenprognose auf regionaler Ebene erstellen Exercise 8: Durchschnittliche historische Anteile verwenden Exercise 9: Verwendung des Anteils historischer Durchschnitte Exercise 10: Middle-Out-Hierarchieprognose Exercise 11: Zeitreihenprognose für neue Region erstellen Exercise 12: Top-down-Prognose für neue Region Exercise 13: Bottom-up-Prognose für das gesamte Bundesland Exercise 14: Glückwunsch!