Intervalos de confianza para el pronóstico

Tu objeto de pronóstico forecast_MET_t no solo contiene el pronóstico, sino también los cálculos del margen de error llamados intervalos de confianza. Estos intervalos de confianza nos dan un margen de variación en los pronósticos, ya que ningún pronóstico es perfecto.

El pronóstico se guardó en el objeto forecast_MET_t$mean. El límite superior e inferior de este intervalo se almacenan de forma similar. La segunda columna del intervalo de confianza superior es el intervalo de confianza del 95% y se puede acceder con forecast_MET_t$upper[,2]. Para obtener el límite inferior, sustituye la palabra upper por lower.

Este ejercicio forma parte del curso

Previsión de la demanda de productos en R

Instrucciones del ejercicio

Convierte los límites superior e inferior del 95% a objetos xts, llamados upper y lower. Tu índice de fechas está almacenado en for_dates.
Añádelos al gráfico del pronóstico y del conjunto de validación.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Plot the validation data set
plot(MET_t_valid, main = 'Forecast Comparison', ylim = c(4000, 8500))

# Overlay the forecast of 2017
lines(for_MET_t_xts, col = "blue")

# Convert the limits to xts objects
lower <- xts(forecast_MET_t$___[,2], order.by = ___)
upper <- xts(___$___[,___], order.by = for_dates)

# Adding confidence intervals of forecast to plot
lines(lower, col = "blue", lty = "dashed")
lines(___, col = "blue", lty = "dashed")

Editar y ejecutar código

Este ejercicio forma parte del curso

Previsión de la demanda de productos en R

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

En previsión, el modelado de series temporales es un gran punto de partida. Necesitas pronosticar los valores futuros de la demanda de ventas y un buen enfoque base son los modelos ARIMA. En este capítulo aprenderás a implementar rápidamente modelos ARIMA y a obtener pronósticos iniciales sólidos para la demanda futura de productos.

Exercise 1: Cargar datos en un objeto xts Exercise 2: Importar datos Exercise 3: Representar / visualizar datos Exercise 4: Introducción a series temporales ARIMA Exercise 5: Función auto.arima()Exercise 6: Interpretar auto.arima Exercise 7: Predecir y evaluar Exercise 8: Función forecast Exercise 9: Calcular MAPE y MAE Exercise 10: Visualización del pronóstico Exercise 11: Intervalos de confianza para el pronóstico

Ejercicio actual

La teoría económica tiene mucho que decir sobre cómo predecir valores de demanda. Factores externos como el precio, la estacionalidad y el calendario de promociones influyen claramente en varios aspectos de la demanda de productos. En este capítulo aprenderás los fundamentos de los modelos de elasticidad precio y cómo incorporar la estacionalidad y el timing de las promociones en nuestros pronósticos de demanda de productos.

Exercise 1: Elasticidad precio Exercise 2: Calcular la elasticidad precio Exercise 3: Interpretar resultados de elasticidad Exercise 4: Efectos estacionales, festivos y promocionales Exercise 5: Visualiza efectos de festivos/promociones Exercise 6: Crear variables de efecto festivo/promocional Exercise 7: Regresión para efectos de festivos y promociones Exercise 8: ¿Efectos significativos de festivos o promociones?Exercise 9: Pronosticar con regresión Exercise 10: Crear variables predictoras futuras Exercise 11: Prever valores futuros de la demanda Exercise 12: Visualización de pronósticos con regresión

Los modelos de series temporales y las regresiones de precios no tienen por qué considerarse enfoques separados para prever la demanda de productos. ¡Se pueden combinar! En este capítulo aprenderás dos maneras de “combinar” la información obtenida en ambos enfoques de modelado: funciones de transferencia y combinación de pronósticos (ensembling).

Exercise 1: Residuos del modelo de regresión Exercise 2: Calcular los residuos de la regresión Exercise 3: Visualizar residuos Exercise 4: Pronosticar los residuos Exercise 5: Función auto.arima Exercise 6: Pronosticar residuales con series temporales Exercise 7: Visualizar los pronósticos de los residuos Exercise 8: Funciones de transferencia y ensamblado de pronósticos Exercise 9: Combinando residuos de regresión y series temporales Exercise 10: Visualizar el pronóstico de la función de transferencia Exercise 11: Calcular el MAPE y el MAE de la función de transferencia Exercise 12: Pronóstico con ARIMA Exercise 13: Ensamblado de pronósticos

Hasta ahora nos hemos centrado en construir modelos individuales para prever la demanda de productos. Sin embargo, no hemos aprovechado que todos estos productos forman una jerarquía de ventas: los productos componen regiones y las regiones componen estados. ¿Cómo garantizamos que nuestros pronósticos cuadren correctamente a lo largo de la jerarquía, de arriba abajo y de abajo arriba? En este capítulo aprenderás qué es la previsión jerárquica y cómo utilizarla a tu favor para prever la demanda de productos.

Exercise 1: Pronóstico jerárquico de abajo arriba Exercise 2: Crea un pronóstico de series temporales para un producto nuevo Exercise 3: Crea un pronóstico por regresión para un producto nuevo Exercise 4: Pronóstico en ensemble para producto nuevo Exercise 5: Calcula el pronóstico bottom-up para toda la región Exercise 6: Pronósticos jerárquicos de arriba abajo Exercise 7: Crea un pronóstico de series temporales a nivel regional Exercise 8: Usar proporciones históricas promedio Exercise 9: Usar la proporción de promedios históricos Exercise 10: Pronóstico jerárquico de abajo-arriba y arriba-abajo (middle-out)Exercise 11: Crea un pronóstico de series temporales para la nueva región Exercise 12: Pronóstico top-down para nueva región Exercise 13: Pronóstico bottom-up para todo el estado Exercise 14: ¡Enhorabuena!