Intervalles de confiance pour la prévision

Votre objet de prévision forecast_MET_t ne contient pas seulement les valeurs prévues, mais aussi des marges d’erreur appelées intervalles de confiance. Ces intervalles de confiance indiquent la marge d’incertitude de nos prévisions, car aucune prévision n’est parfaite.

La prévision est stockée dans l’objet forecast_MET_t$mean. Les bornes supérieure et inférieure de cet intervalle sont stockées de manière similaire. La deuxième colonne de l’intervalle de confiance supérieur correspond à l’intervalle de confiance à 95 % et est accessible via forecast_MET_t$upper[,2]. Pour obtenir la borne inférieure, remplacez upper par lower.

Cet exercice fait partie du cours

Prévoir la demande de produits avec R

Afficher le cours

Instructions

Convertissez les bornes supérieure et inférieure à 95 % en objets xts nommés upper et lower. Votre index de dates est stocké dans for_dates.
Ajoutez-les au graphique de la prévision et du jeu de validation.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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")

Modifier et exécuter le code

Cet exercice fait partie du cours

Prévoir la demande de produits avec R

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Pour la prévision, les modèles de séries temporelles sont un excellent point de départ ! Vous devez anticiper les valeurs futures de la demande et une bonne approche de base consiste à utiliser des modèles ARIMA. Dans ce chapitre, vous apprendrez à mettre en œuvre rapidement des modèles ARIMA et à obtenir de premières prévisions solides pour la demande future de produits.

Exercise 1: Charger des données dans un objet xts Exercise 2: Importer des données Exercise 3: Tracer / visualiser des données Exercise 4: Bases des séries temporelles ARIMA Exercise 5: Fonction auto.arima()Exercise 6: Interpréter auto.arima Exercise 7: Prévision et évaluation Exercise 8: Fonction forecast Exercise 9: Calculer le MAPE et le MAE Exercise 10: Visualiser la prévision Exercise 11: Intervalles de confiance pour la prévision

Exercice en cours

La théorie économique apporte beaucoup d’éléments pour prédire la demande. Évidemment, des facteurs externes comme le prix, la saisonnalité et le calendrier des promotions influencent certains aspects de la demande produit. Dans ce chapitre, vous découvrirez les bases des modèles d’élasticité-prix et la manière d’intégrer la saisonnalité et le calendrier des promotions dans nos prévisions de demande produit.

Exercise 1: Élasticité prix Exercise 2: Calculer l’élasticité prix Exercise 3: Interpréter les résultats d’élasticité Exercise 4: Effets saisonniers, jours fériés et promotions Exercise 5: Visualiser les effets des fêtes et des promotions Exercise 6: Créer des variables d’effet jours fériés / promotions Exercise 7: Régression pour les effets de jours fériés / promotions Exercise 8: Des effets significatifs liés aux fêtes ou aux promotions ?Exercise 9: Prévisions avec la régression Exercise 10: Créer des variables prédictives futures Exercise 11: Prévoir les valeurs futures de la demande Exercise 12: Visualiser des prévisions par régression

Les modèles de séries temporelles et les régressions de tarification ne sont pas des approches séparées pour la prévision de la demande produit. On peut les combiner ! Dans ce chapitre, vous verrez deux façons de « combiner » les informations issues des deux approches de modélisation : les fonctions de transfert et l’ensemblage de prévisions.

Exercise 1: Résidus du modèle de régression Exercise 2: Calcul des résidus d’une régression Exercise 3: Visualisation des résidus Exercise 4: Prévoir les résidus Exercise 5: Fonction auto.arima Exercise 6: Prévoir les résidus avec des séries temporelles Exercise 7: Visualiser les prévisions des résidus Exercise 8: Fonctions de transfert et ensemblage Exercise 9: Combiner les résidus de la régression et de la série temporelle Exercise 10: Visualiser la prévision avec fonction de transfert Exercise 11: Calculer la MAPE et la MAE de la fonction de transfert Exercise 12: Prévision ARIMA Exercise 13: Mise en ensemble des prévisions

Jusqu’ici, nous avons construit des modèles individuels pour prévoir la demande de produits. Cependant, nous n’avons pas tiré parti du fait que l’ensemble de ces produits s’inscrit dans une hiérarchie commerciale : les produits composent des régions, et les régions composent des États. Comment garantir que nos prévisions soient cohérentes à tous les niveaux de la hiérarchie ? Dans ce chapitre, vous apprendrez la prévision hiérarchique et comment l’utiliser à votre avantage pour prévoir la demande produit.

Exercise 1: Prévisions hiérarchiques ascendantes (Bottom-Up)Exercise 2: Construire une prévision de série temporelle pour un nouveau produit Exercise 3: Construire une prévision par régression pour un nouveau produit Exercise 4: Prévision en ensemble pour un nouveau produit Exercise 5: Calculer la prévision bottom-up pour l’ensemble de la région Exercise 6: Prévisions hiérarchiques Top-Down Exercise 7: Créer une prévision de séries temporelles au niveau régional Exercise 8: Utiliser des proportions historiques moyennes Exercise 9: Utiliser la proportion des moyennes historiques Exercise 10: Prévision hiérarchique middle-out Exercise 11: Construire une prévision de série temporelle pour une nouvelle région Exercise 12: Prévision top-down pour une nouvelle région Exercise 13: Prévision bottom-up pour l’ensemble de l’État Exercise 14: Félicitations !