Trendomethoden van Holt

Holt's lokale trendmethode is geïmplementeerd in de functie holt():

> holt(y, h = 10, ...)

Hier pas je deze toe op de austa-reeks, met jaarlijkse aantallen internationale bezoekers aan Australië van 1980–2015 (in miljoenen). De gegevens zijn al voor je geladen in je werkruimte.

Deze oefening maakt deel uit van de cursus

Voorspellen in R

Oefeninstructies

Maak 10-jaarsvoorspellingen van austa met de methode van Holt. Stel h hierop in.
Gebruik de functie summary() om de modelparameters en andere informatie te bekijken.
Plot je voorspellingen met de standaard tijdplotfunctie.
Gebruik checkresiduals() om te controleren of de residuen op witte ruis lijken.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Produce 10 year forecasts of austa using holt()
fcholt <- ___

# Look at fitted model using summary()
___

# Plot the forecasts
___

# Check that the residuals look like white noise
___

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Voorspellen in R

SkillTag.level.beginnerSkillTag.label

4.9+

Begin gratis met de cursus

Het eerste wat je bij elke data-analyse doet, is de data plotten. Grafieken maken allerlei kenmerken van de data zichtbaar, zoals patronen, opvallende waarnemingen en veranderingen door de tijd. De kenmerken die je in de grafieken ziet, moeten vervolgens waar mogelijk worden verwerkt in de voorspelmethoden die je gaat gebruiken.

Exercise 1: Welkom bij Forecasting met R Exercise 2: Tijdreeksobjecten maken in R Exercise 3: Tijdreeksplots Exercise 4: Seizoensplots Exercise 5: Trends, seizoenspatronen en cycliciteit Exercise 6: Autocorrelatie van niet-seizoensgebonden tijdreeksen Exercise 7: Autocorrelatie van seizoens- en cyclische tijdreeksen Exercise 8: Koppel de ACF aan de tijdreeks Exercise 9: Witte ruis Exercise 10: Aandelenkoersen en witte ruis

In dit hoofdstuk leer je algemene tools die handig zijn voor veel verschillende voorspelsituaties. We bespreken enkele methoden voor benchmarkvoorspellingen, methoden om te controleren of een voorspelmethode de beschikbare informatie voldoende heeft benut, en methoden om de voorspelnauwkeurigheid te meten. Elk van de tools uit dit hoofdstuk gebruik je herhaaldelijk in de volgende hoofdstukken, terwijl je een reeks voorspelmethoden ontwikkelt en verkent.

Exercise 1: Voorspellingen en mogelijke toekomsten Exercise 2: Naieve voorspellingsmethoden Exercise 3: Aangepaste waarden en residuen Exercise 4: Residu’s van tijdreeksen controleren 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

Voorspellingen met exponentiële smoothing zijn gewogen gemiddelden van eerdere waarnemingen, waarbij de gewichten exponentieel afnemen naarmate de waarnemingen ouder zijn. Met andere woorden: hoe recenter de waarneming, hoe groter het bijbehorende gewicht. Dit raamwerk levert snel betrouwbare voorspellingen op voor een breed scala aan tijdreeksen, wat een groot voordeel is en van groot belang voor toepassingen in het bedrijfsleven.

Exercise 1: Exponentieel gewogen voorspellingen Exercise 2: Eenvoudige exponentiële afvlakking Exercise 3: SES vs naive Exercise 4: Exponentiële gladstrijkmethoden met trend Exercise 5: Trendomethoden van Holt

Huidige oefening

Exercise 6: Exponentiële-smoothingmethoden met trend en seizoenspatroon Exercise 7: Holt-Winters met maandelijkse data Exercise 8: Holt-Winters-methode met dagelijkse data Exercise 9: Toestandsruimtemodellen voor exponentiële afvlakking Exercise 10: Automatisch voorspellen met exponentiële afvlakking Exercise 11: ETS versus seizoensgebonden naïef Exercise 12: Koppel de modellen aan de tijdreeksen Exercise 13: Wanneer faalt ETS?

ARIMA-modellen bieden een andere aanpak voor tijdreeksvoorspellen. Exponentiële smoothing en ARIMA-modellen zijn de twee meest gebruikte benaderingen voor tijdreeksvoorspellen en vormen complementaire methoden voor dit probleem. Waar exponentiële smoothing-modellen zijn gebaseerd op een beschrijving van de trend en seizoenspatronen in de data, proberen ARIMA-modellen de autocorrelaties in de data te beschrijven.

Exercise 1: Transformaties om variantie te stabiliseren Exercise 2: Box-Cox-transformaties voor tijdreeksen Exercise 3: Niet-seizoensgebonden differencing voor stationariteit Exercise 4: Seizoensdifferentiatie voor stationariteit Exercise 5: ARIMA-modellen Exercise 6: Automatische ARIMA-modellen voor niet-seizoensgebonden tijdreeksen Exercise 7: Voorspellen met ARIMA-modellen Exercise 8: auto.arima() en ets() vergelijken op niet-seizoensgebonden data Exercise 9: Seizoensgebonden ARIMA-modellen Exercise 10: Automatische ARIMA-modellen voor seizoensreeksen Exercise 11: Opties van auto.arima() verkennen Exercise 12: auto.arima() en ets() vergelijken op seizoensdata

De tijdreeksmodellen uit de vorige hoofdstukken werken goed voor veel tijdreeksen, maar vaak minder goed voor wekelijkse of uurlijkse data, en ze bieden geen ruimte om andere informatie op te nemen, zoals de effecten van feestdagen, activiteiten van concurrenten, wetswijzigingen, enzovoort. In dit hoofdstuk bekijk je enkele methoden die ingewikkeldere seizoenspatronen aankunnen, en verken je hoe je ARIMA-modellen kunt uitbreiden om andere informatie in de modellen op te nemen.

Exercise 1: Dynamische regressie Exercise 2: Verkopen voorspellen met advertentiebudget als verklarende variabele Exercise 3: Electriciteitsvraag voorspellen Exercise 4: Dynamische harmonische regressie Exercise 5: Wekelijkse data voorspellen Exercise 6: Harmonische regressie voor meerdere seizoenspatronen Exercise 7: Reserveringen voor telefoontjes voorspellen Exercise 8: TBATS-modellen Exercise 9: TBATS-modellen voor elektriciteitsvraag Exercise 10: Jouw toekomst in forecasting!