Holt-Winters dengan data bulanan

Dalam video, Anda mempelajari bahwa fungsi hw() menghasilkan prakiraan menggunakan metode Holt-Winters sesuai dengan apa pun yang Anda setarakan dengan argumen seasonal:

fc1 <- hw(aust, seasonal = "additive")
fc2 <- hw(aust, seasonal = "multiplicative")

Di sini, Anda akan menerapkan hw() pada a10, yaitu penjualan bulanan obat antidiabetes di Australia dari 1991 hingga 2008. Data tersedia di ruang kerja Anda.

Latihan ini merupakan bagian dari kursus

Peramalan di R

Instruksi latihan

Buat plot runtun waktu untuk data a10.
Hasilkan prakiraan untuk 3 tahun ke depan menggunakan hw() dengan musiman multiplikatif dan simpan sebagai fc.
Apakah residual tampak seperti white noise? Periksa menggunakan fungsi yang sesuai dan setel whitenoise ke TRUE atau FALSE.
Buat plot runtun waktu dari prakiraan tersebut.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Plot the data
___

# Produce 3 year forecasts
fc <- hw(___, seasonal = ___, h = ___)

# Check if residuals look like white noise
___
whitenoise <- ___

# Plot forecasts
___

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Peramalan di R

SkillTag.level.beginnerSkillTag.label

4.9+

Mulai Kursus Gratis

Hal pertama yang perlu dilakukan dalam setiap tugas analisis data adalah memvisualisasikan data. Grafik memungkinkan banyak karakteristik data dapat terlihat, termasuk pola, pengamatan yang tidak biasa, dan perubahan dari waktu ke waktu. Karakteristik yang tampak pada plot data tersebut kemudian harus, sejauh mungkin, diakomodasikan ke dalam metode peramalan yang akan digunakan.

Exercise 1: Selamat Datang di Peramalan Menggunakan R Exercise 2: Membuat objek deret waktu di R Exercise 3: Plot deret waktu Exercise 4: Plot musiman Exercise 5: Tren, musiman, dan siklus Exercise 6: Autokorelasi deret waktu non-musiman Exercise 7: Autokorelasi deret waktu musiman dan siklik Exercise 8: Cocokkan ACF dengan deret waktunya Exercise 9: White noise Exercise 10: Harga saham dan white noise

Pada bab ini, Anda akan mempelajari perangkat umum yang berguna untuk berbagai situasi peramalan. Bab ini akan menjelaskan beberapa metode untuk peramalan tolok ukur, metode untuk memeriksa apakah suatu metode peramalan telah memanfaatkan informasi yang tersedia dengan memadai, serta metode untuk mengukur akurasi prakiraan. Setiap alat yang dibahas dalam bab ini akan digunakan berulang kali pada bab-bab berikutnya saat Anda mengembangkan dan mengeksplorasi beragam metode peramalan.

Exercise 1: Peramalan dan kemungkinan masa depan Exercise 2: Metode peramalan naif Exercise 3: Nilai terpasang dan residu Exercise 4: Memeriksa residual deret waktu Exercise 5: Himpunan pelatihan dan pengujian Exercise 6: Mengevaluasi akurasi ramalan untuk metode non-musiman Exercise 7: Mengevaluasi akurasi peramalan metode musiman Exercise 8: Apakah saya memiliki model peramalan yang baik?Exercise 9: Cross-validation deret waktu Exercise 10: Menggunakan tsCV() untuk cross-validation deret waktu

Prakiraan yang dihasilkan menggunakan metode pemulusan eksponensial merupakan rata-rata berbobot dari pengamatan masa lalu, dengan bobot yang menurun secara eksponensial seiring semakin lamanya pengamatan. Dengan kata lain, semakin baru pengamatan, semakin tinggi bobot yang terkait. Kerangka kerja ini menghasilkan prakiraan yang andal dengan cepat dan untuk berbagai jenis deret waktu, yang merupakan keunggulan besar dan sangat penting bagi aplikasi bisnis.

Exercise 1: Peramalan berbobot eksponensial Exercise 2: Pemulusan eksponensial sederhana Exercise 3: SES vs naive Exercise 4: Metode pemulusan eksponensial dengan tren Exercise 5: Metode tren Holt Exercise 6: Metode pemulusan eksponensial dengan tren dan musiman Exercise 7: Holt-Winters dengan data bulanan

Latihan Saat Ini

Exercise 8: Metode Holt-Winters dengan data harian Exercise 9: Model ruang keadaan untuk exponential smoothing Exercise 10: Peramalan otomatis dengan exponential smoothing Exercise 11: ETS vs seasonal naive Exercise 12: Cocokkan model dengan deret waktunya Exercise 13: Kapan ETS gagal?

Model ARIMA menyediakan pendekatan lain untuk peramalan deret waktu. Pemulusan eksponensial dan model ARIMA adalah dua pendekatan yang paling banyak digunakan untuk peramalan deret waktu, dan memberikan pendekatan yang saling melengkapi terhadap permasalahan tersebut. Sementara model pemulusan eksponensial didasarkan pada deskripsi tren dan musiman dalam data, model ARIMA bertujuan menggambarkan autokorelasi dalam data.

Exercise 1: Transformasi untuk menstabilkan varians Exercise 2: Transformasi Box-Cox untuk deret waktu Exercise 3: Differencing non-musiman untuk stasioneritas Exercise 4: Pembedaan musiman untuk stasioneritas Exercise 5: Model ARIMA Exercise 6: Model ARIMA otomatis untuk deret waktu non-musiman Exercise 7: Peramalan dengan model ARIMA Exercise 8: Membandingkan auto.arima() dan ets() pada data non-musiman Exercise 9: Model ARIMA Musiman Exercise 10: Model ARIMA otomatis untuk deret waktu musiman Exercise 11: Mengeksplorasi opsi auto.arima()Exercise 12: Membandingkan auto.arima() dan ets() pada data musiman

Model deret waktu pada bab-bab sebelumnya bekerja dengan baik untuk banyak deret waktu, tetapi sering kali kurang cocok untuk data mingguan atau per jam, dan tidak memungkinkan penyertaan informasi lain seperti dampak hari libur, aktivitas pesaing, perubahan peraturan, dan sebagainya. Pada bab ini, Anda akan meninjau beberapa metode yang menangani kemusiman yang lebih rumit, serta mempertimbangkan cara memperluas model ARIMA agar memungkinkan informasi lain disertakan di dalamnya.

Exercise 1: Regresi dinamis Exercise 2: Meramalkan penjualan dengan mempertimbangkan pengeluaran iklan Exercise 3: Peramalan permintaan listrik Exercise 4: Regresi harmonik dinamis Exercise 5: Peramalan data mingguan Exercise 6: Regresi harmonik untuk multi-musiman Exercise 7: Peramalan pemesanan panggilan Exercise 8: Model TBATS Exercise 9: Model TBATS untuk permintaan listrik Exercise 10: Masa depan Anda dalam peramalan!