1. Nauka
    2. /
  2. Kursy
    3. /
  3. Prognozowanie w R
Connected

ćwiczenie

Porównanie auto.arima() i ets() na danych bez sezonowości

Statystyka AICc przydaje się do wyboru między modelami tej samej klasy – na przykład do porównania modeli ETS lub modeli ARIMA. Nie można jej jednak używać do porównywania modeli ETS z modelami ARIMA, ponieważ należą one do różnych klas.

Zamiast tego możesz zastosować kroswalidację szeregów czasowych, aby porównać model ARIMA i model ETS na danych austa. Ponieważ tsCV() wymaga funkcji zwracających obiekty prognoz, przygotujesz kilka prostych funkcji, które dopasowują modele i zwracają prognozy. Argumentami tsCV() są: szereg czasowy, funkcja prognozowania oraz horyzont prognozy h. Przeanalizuj poniższy fragment kodu z drugiego rozdziału:

e <- matrix(NA_real_, nrow = 1000, ncol = 8)
for (h in 1:8)
  e[, h] <- tsCV(goog, naive, h = h)
  ...

Przypomnij sobie również, że operator potoku w R przekazuje wartość z lewej strony jako argument do tego, co znajduje się po prawej – krok po kroku, od lewej do prawej. Oto przykład oparty na kodzie z wcześniejszego rozdziału:

# Plot 20-year forecasts of the lynx series modeled by ets()
lynx %>% ets() %>% forecast(h = 20) %>% autoplot()

W tym ćwiczeniu porównasz MSE dwóch funkcji prognozowania zastosowanych do austa, a następnie wykreślisz prognozy tej funkcji, która daje lepsze wyniki. Zbiór danych austa jest już wczytany do środowiska.

Instrukcje

100 XP
  • Uzupełnij funkcję farima(), aby prognozowała wyniki auto.arima(). Wzoruj się na gotowym kodzie funkcji fets(), która robi to samo dla ets().
  • Oblicz błędy kroswalidacji dla modeli ETS na danych austa za pomocą tsCV() z błędami jednokrokowymi i zapisz wynik jako e1.
  • Oblicz błędy kroswalidacji dla modeli ARIMA na danych austa za pomocą tsCV() z błędami jednokrokowymi i zapisz wynik jako e2.
  • Oblicz kroswalidowane MSE dla każdej klasy modeli, usuwając brakujące wartości. Jeśli nie pamiętasz, jak obliczać MSE, zajrzyj do poprzedniego rozdziału.
  • Wygeneruj i wykreśl 10-letnie prognozy przyszłych wartości austa, korzystając z lepszej klasy modeli.