Residu’s van tijdreeksen controleren

Bij het toepassen van een voorspellingsmethode is het belangrijk om altijd te controleren of de residuen zich netjes gedragen (dus: geen uitschieters of patronen) en op white noise lijken. De voorspellingsintervallen worden berekend onder de aanname dat de residuen ook normaal verdeeld zijn. Je kunt de functie checkresiduals() gebruiken om deze kenmerken te verifiëren; die geeft de resultaten van een Ljung-Box-toets.

Je hebt de pipe-functie (%>%) tot nu toe nog niet gebruikt, maar dit is een goed moment om die te introduceren. Als er veel geneste functies zijn, maken pipes de code veel leesbaarder. Wees consequent: zet altijd haakjes achter een functienaam om die te onderscheiden van andere objecten, ook als er geen argumenten zijn. Een voorbeeld:

> function(foo)       # Deze twee
> foo %>% function()  # zijn hetzelfde!

> foo %>% function    # Inconsequent

In deze oefening test je de bovenstaande functies op de voorspellingen die gelijkwaardig zijn aan wat je in de vorige oefening hebt gemaakt (fcgoog verkregen na het toepassen van naive() op goog, en fcbeer verkregen na het toepassen van snaive() op ausbeer).

Deze oefening maakt deel uit van de cursus

Voorspellen in R

Cursus bekijken

Oefeninstructies

Gebruik de bovenstaande pipe en voer checkresiduals() uit op een voorspelling die gelijkwaardig is aan fcgoog.
Lijken de residuen op basis van deze Ljung-Box-toets op white noise? Ken googwn de waarde TRUE of FALSE toe.
Gebruik op vergelijkbare wijze een pipe en voer checkresiduals() uit op een voorspelling die gelijkwaardig is aan fcbeer.
Lijken de residuen op basis van deze Ljung-Box-toets op white noise? Ken beerwn de waarde TRUE of FALSE toe.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Check the residuals from the naive forecasts applied to the goog series
goog %>% naive() %>% ___

# Do they look like white noise (TRUE or FALSE)
googwn <- ___

# Check the residuals from the seasonal naive forecasts applied to the ausbeer series
___

# Do they look like white noise (TRUE or FALSE)
beerwn <- ___

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Voorspellen in R

SkillTag.level.beginnerSkillTag.label

4.9+

Begin de cursus 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: Voorspellingen en mogelijke toekomsten Exercise 2: Naieve voorspellingsmethoden Exercise 3: Aangepaste waarden en residuen Exercise 4: Residu’s van tijdreeksen controleren

Huidige oefening

Exercise 5: Trainings- en testsets Exercise 6: Voorspellingsnauwkeurigheid evalueren voor niet-seizoensgebonden methoden Exercise 7: Voorspellingsnauwkeurigheid van seizoensmethoden evalueren Exercise 8: Heb ik een goed voorspelmodel?Exercise 9: Tijdreeks-crossvalidatie Exercise 10: tsCV() gebruiken voor tijdreeks-crossvalidatie

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!