Metodi di previsione naive

Come hai visto nel video, una previsione è la media o la mediana dei futuri simulati di una serie temporale.

Il metodo di previsione più semplice è usare l’osservazione più recente; si parla di previsione naive e può essere implementata con un’apposita funzione omonima. Per molte serie temporali, incluse la maggior parte dei dati sui prezzi azionari, questo è il meglio che si possa fare; e anche quando non è un buon metodo di previsione, fornisce comunque un utile riferimento per confrontare altri metodi.

Per i dati stagionali, un’idea simile è usare la stagione corrispondente dell’ultimo anno disponibile. Per esempio, se vuoi prevedere il volume di vendite per il prossimo marzo, useresti il volume di vendite del marzo precedente. Questo è implementato nella funzione snaive(), cioè seasonal naive (naive stagionale).

Per entrambi i metodi di previsione puoi impostare il secondo argomento h, che specifica quanti valori vuoi prevedere; come mostrato nel codice qui sotto, hanno valori predefiniti diversi. L’output risultante è un oggetto di classe forecast. Questa è la classe principale di oggetti nel pacchetto forecast, e ci sono molte funzioni per gestirli, tra cui summary() e autoplot().

naive(y, h = 10)
snaive(y, h = 2 * frequency(x))

Proverai queste due funzioni rispettivamente sulle serie goog e ausbeer. Sono già disponibili nel tuo workspace.

Questo esercizio fa parte del corso

Previsioni in R

Visualizza il corso

Istruzioni dell'esercizio

Usa naive() per prevedere i prossimi 20 valori della serie goog e salva il risultato in fcgoog.
Rappresenta graficamente e riassumi le previsioni usando autoplot() e summary().
Usa snaive() per prevedere i prossimi 16 valori della serie ausbeer e salva il risultato in fcbeer.
Rappresenta graficamente e riassumi le previsioni per fcbeer nello stesso modo in cui hai fatto per fcgoog.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Use naive() to forecast the goog series
fcgoog <- naive(___, ___)

# Plot and summarize the forecasts
___(___)
___(___)

# Use snaive() to forecast the ausbeer series
fcbeer <- ___

# Plot and summarize the forecasts
___
___

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Previsioni in R

InicianteNível de habilidade

4.9+

Inizia il corso gratis

The first thing to do in any data analysis task is to plot the data. Graphs enable many features of the data to be visualized, including patterns, unusual observations, and changes over time. The features that are seen in plots of the data must then be incorporated, as far as possible, into the forecasting methods to be used.

Exercise 1: Welcome to Forecasting Using R Exercise 2: Creating time series objects in R Exercise 3: Time series plots Exercise 4: Seasonal plots Exercise 5: Trends, seasonality, and cyclicity Exercise 6: Autocorrelation of non-seasonal time series Exercise 7: Autocorrelation of seasonal and cyclic time series Exercise 8: Match the ACF to the time series Exercise 9: White noise Exercise 10: Stock prices and white noise

In this chapter, you will learn general tools that are useful for many different forecasting situations. It will describe some methods for benchmark forecasting, methods for checking whether a forecasting method has adequately utilized the available information, and methods for measuring forecast accuracy. Each of the tools discussed in this chapter will be used repeatedly in subsequent chapters as you develop and explore a range of forecasting methods.

Exercise 1: Previsioni e futuri possibili Exercise 2: Metodi di previsione naive

Esercizio in corso

Exercise 3: Valori adattati e residui Exercise 4: Verificare i residui delle serie temporali Exercise 5: Set di training e di test Exercise 6: Valutare l’accuratezza delle previsioni con metodi non stagionali Exercise 7: Valutare l’accuratezza delle previsioni con metodi stagionali Exercise 8: Ho un buon modello di previsione?Exercise 9: Cross-validation per serie storiche Exercise 10: Uso di tsCV() per la cross-validation su serie temporali

Forecasts produced using exponential smoothing methods are weighted averages of past observations, with the weights decaying exponentially as the observations get older. In other words, the more recent the observation, the higher the associated weight. This framework generates reliable forecasts quickly and for a wide range of time series, which is a great advantage and of major importance to applications in business.

Exercise 1: Exponentially weighted forecasts Exercise 2: Simple exponential smoothing Exercise 3: SES vs naive Exercise 4: Exponential smoothing methods with trend Exercise 5: Holt's trend methods Exercise 6: Exponential smoothing methods with trend and seasonality Exercise 7: Holt-Winters with monthly data Exercise 8: Holt-Winters method with daily data Exercise 9: State space models for exponential smoothing Exercise 10: Automatic forecasting with exponential smoothing Exercise 11: ETS vs seasonal naive Exercise 12: Match the models to the time series Exercise 13: When does ETS fail?

ARIMA models provide another approach to time series forecasting. Exponential smoothing and ARIMA models are the two most widely-used approaches to time series forecasting, and provide complementary approaches to the problem. While exponential smoothing models are based on a description of the trend and seasonality in the data, ARIMA models aim to describe the autocorrelations in the data.

Exercise 1: Transformations for variance stabilization Exercise 2: Box-Cox transformations for time series Exercise 3: Non-seasonal differencing for stationarity Exercise 4: Seasonal differencing for stationarity Exercise 5: ARIMA models Exercise 6: Automatic ARIMA models for non-seasonal time series Exercise 7: Forecasting with ARIMA models Exercise 8: Comparing auto.arima() and ets() on non-seasonal data Exercise 9: Seasonal ARIMA models Exercise 10: Automatic ARIMA models for seasonal time series Exercise 11: Exploring auto.arima() options Exercise 12: Comparing auto.arima() and ets() on seasonal data

The time series models in the previous chapters work well for many time series, but they are often not good for weekly or hourly data, and they do not allow for the inclusion of other information such as the effects of holidays, competitor activity, changes in the law, etc. In this chapter, you will look at some methods that handle more complicated seasonality, and you consider how to extend ARIMA models in order to allow other information to be included in the them.

Exercise 1: Dynamic regression Exercise 2: Forecasting sales allowing for advertising expenditure Exercise 3: Forecasting electricity demand Exercise 4: Dynamic harmonic regression Exercise 5: Forecasting weekly data Exercise 6: Harmonic regression for multiple seasonality Exercise 7: Forecasting call bookings Exercise 8: TBATS models Exercise 9: TBATS models for electricity demand Exercise 10: Your future in forecasting!