Regresión armónica para estacionalidad múltiple

Las regresiones armónicas también son útiles cuando las series temporales tienen varios patrones estacionales. Por ejemplo, taylor contiene la demanda eléctrica semihoraria en Inglaterra y Gales durante unos meses del año 2000. Los periodos estacionales son 48 (estacionalidad diaria) y 7 x 48 = 336 (estacionalidad semanal). No hay suficientes datos como para considerar la estacionalidad anual.

auto.arima() tardaría mucho en ajustar una serie larga como esta, así que en su lugar ajustarás un modelo de regresión estándar con términos de Fourier usando la función tslm(). Es muy similar a lm(), pero está diseñada para trabajar con series temporales. Con estacionalidad múltiple, tienes que especificar el orden \(K\) para cada uno de los periodos estacionales.

# El argumento formula es una descripción simbólica
# del modelo que se va a ajustar

> args(tslm)
function (formula, ...)

tslm() es una función recién introducida, así que deberías poder seguir el código preescrito en su mayor parte. Los datos taylor están cargados en tu espacio de trabajo.

Este ejercicio forma parte del curso

Forecasting en R

Instrucciones del ejercicio

Ajusta una regresión armónica llamada fit a taylor usando orden 10 para cada tipo de estacionalidad.
Pronostica 20 días laborables por delante como fc. Recuerda que los datos son semihorarios para establecer el valor correcto de h.
Crea un gráfico temporal de los pronósticos.
Revisa los residuales de tu modelo ajustado. Como verás, auto.arima() habría hecho un mejor trabajo.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Fit a harmonic regression using order 10 for each type of seasonality
fit <- tslm(taylor ~ fourier(___, K = c(10, 10)))

# Forecast 20 working days ahead
fc <- forecast(___, newdata = data.frame(fourier(___, K = ___, h = ___)))

# Plot the forecasts
___

# Check the residuals of fit
___

Editar y ejecutar código

Este ejercicio forma parte del curso

Forecasting en R

PrincipianteNivel de habilidad

4.9+

Empieza el curso gratis

Lo primero en cualquier análisis de datos es representar los datos. Los gráficos permiten visualizar muchas características, incluidas pautas, observaciones inusuales y cambios a lo largo del tiempo. Las características que se observen en las gráficas deben incorporarse, en la medida de lo posible, a los métodos de forecasting que vayas a utilizar.

Exercise 1: Bienvenido a Forecasting Using R Exercise 2: Creación de objetos de series temporales en R Exercise 3: Gráficos de series temporales Exercise 4: Gráficos estacionales Exercise 5: Tendencia, estacionalidad y ciclicidad Exercise 6: Autocorrelación de series temporales no estacionales Exercise 7: Autocorrelación de series temporales estacionales y cíclicas Exercise 8: Relaciona la ACF con la serie temporal Exercise 9: Ruido blanco Exercise 10: Precios de acciones y ruido blanco

En este capítulo aprenderás herramientas generales útiles en muchas situaciones de forecasting. Verás algunos métodos de referencia para comparar previsiones, métodos para comprobar si un método de forecasting ha aprovechado bien la información disponible y métodos para medir la precisión de las previsiones. Cada una de las herramientas tratadas aquí se usará repetidamente en los capítulos siguientes a medida que desarrolles y explores distintos métodos de forecasting.

Exercise 1: Pronósticos y futuros posibles Exercise 2: Métodos ingenuos de pronóstico Exercise 3: Valores ajustados y residuos Exercise 4: Comprobación de los residuos de series temporales Exercise 5: Conjuntos de entrenamiento y prueba Exercise 6: Evaluación de la precisión de pronósticos sin estacionalidad Exercise 7: Evaluar la precisión de pronósticos estacionales Exercise 8: ¿Tengo un buen modelo de pronóstico?Exercise 9: Validación cruzada en series temporales Exercise 10: Uso de tsCV() para la validación cruzada en series temporales

Las previsiones obtenidas con métodos de suavizado exponencial son medias ponderadas de observaciones pasadas, con pesos que decrecen exponencialmente a medida que las observaciones son más antiguas. Es decir, cuanto más reciente es la observación, mayor es su peso. Este enfoque genera previsiones fiables de forma rápida y para una amplia variedad de series temporales, lo cual es una gran ventaja y de gran importancia para aplicaciones de negocio.

Exercise 1: Pronósticos con ponderación exponencial Exercise 2: Suavizado exponencial simple Exercise 3: SES vs naive Exercise 4: Métodos de suavizado exponencial con tendencia Exercise 5: Métodos de tendencia de Holt Exercise 6: Métodos de suavizado exponencial con tendencia y estacionalidad Exercise 7: Holt-Winters con datos mensuales Exercise 8: Método de Holt-Winters con datos diarios Exercise 9: Modelos de espacio de estados para el suavizado exponencial Exercise 10: Pronóstico automático con suavizado exponencial Exercise 11: ETS vs seasonal naive Exercise 12: Relaciona los modelos con las series temporales Exercise 13: ¿Cuándo falla ETS?

Los modelos ARIMA ofrecen otro enfoque para el forecasting de series temporales. El suavizado exponencial y los modelos ARIMA son los dos enfoques más utilizados para el forecasting de series temporales y son complementarios. Mientras que los modelos de suavizado exponencial se basan en describir la tendencia y la estacionalidad de los datos, los modelos ARIMA buscan describir las autocorrelaciones presentes en los datos.

Exercise 1: Transformaciones para estabilizar la varianza Exercise 2: Transformaciones Box-Cox para series temporales Exercise 3: Diferenciación no estacional para estacionariedad Exercise 4: Diferenciación estacional para estacionariedad Exercise 5: Modelos ARIMA Exercise 6: Modelos ARIMA automáticos para series temporales no estacionales Exercise 7: Pronosticar con modelos ARIMA Exercise 8: Comparar auto.arima() y ets() en datos sin estacionalidad Exercise 9: Modelos ARIMA estacionales Exercise 10: Modelos ARIMA automáticos para series temporales estacionales Exercise 11: Explorar las opciones de auto.arima()Exercise 12: Comparar auto.arima() y ets() en datos estacionales

Los modelos de series temporales de los capítulos anteriores funcionan bien para muchas series, pero a menudo no son adecuados para datos semanales u horarios y no permiten incluir otra información como efectos de festivos, actividad de la competencia, cambios legislativos, etc. En este capítulo, verás algunos métodos que gestionan una estacionalidad más compleja y considerarás cómo ampliar los modelos ARIMA para poder incluir otra información en ellos.

Exercise 1: Regresión dinámica Exercise 2: Pronosticando ventas teniendo en cuenta el gasto en publicidad Exercise 3: Pronóstico de demanda eléctrica Exercise 4: Regresión armónica dinámica Exercise 5: Pronosticar datos semanales Exercise 6: Regresión armónica para estacionalidad múltiple

Ejercicio actual

Exercise 7: Previsión de reservas de llamadas Exercise 8: Modelos TBATS Exercise 9: Modelos TBATS para la demanda de electricidad Exercise 10: ¡Tu futuro en previsión!