Intervalos de confiança para a previsão

Seu objeto de previsão forecast_MET_t não traz apenas a previsão, mas também os cálculos de margem de erro chamados intervalos de confiança. Esses intervalos mostram a “folga” da nossa previsão, já que nenhuma previsão é perfeita.

A previsão foi armazenada no objeto forecast_MET_t$mean. Os limites superior e inferior desse intervalo são armazenados de forma semelhante. A segunda coluna do intervalo de confiança superior é o intervalo de 95% e pode ser acessada via forecast_MET_t$upper[,2]. Para obter o limite inferior, substitua a palavra upper por lower.

Este exercício faz parte do curso

Previsão de Demanda de Produtos em R

Instruções do exercício

Converta os limites superior e inferior de 95% para objetos xts, chamados upper e lower. Seu índice de datas está armazenado em for_dates.
Adicione esses limites ao gráfico da previsão e do conjunto de dados de validação.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Plot the validation data set
plot(MET_t_valid, main = 'Forecast Comparison', ylim = c(4000, 8500))

# Overlay the forecast of 2017
lines(for_MET_t_xts, col = "blue")

# Convert the limits to xts objects
lower <- xts(forecast_MET_t$___[,2], order.by = ___)
upper <- xts(___$___[,___], order.by = for_dates)

# Adding confidence intervals of forecast to plot
lines(lower, col = "blue", lty = "dashed")
lines(___, col = "blue", lty = "dashed")

Editar e executar o código

Este exercício faz parte do curso

Previsão de Demanda de Produtos em R

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Quando o assunto é previsão, modelagem de séries temporais é um ótimo ponto de partida! Você precisa projetar os valores futuros da demanda de vendas, e uma boa abordagem de base são os modelos ARIMA. Neste capítulo, você vai aprender a implementar rapidamente modelos ARIMA e obter boas previsões iniciais para a demanda futura de produtos.

Exercise 1: Carregando dados em um objeto xts Exercise 2: Importando dados Exercise 3: Plotando / visualizando dados Exercise 4: Séries temporais ARIMA 101 Exercise 5: Função auto.arima()Exercise 6: Interpretar auto.arima Exercise 7: Previsão e Avaliação Exercise 8: Função forecast Exercise 9: Calculando MAPE e MAE Exercise 10: Visualizando a previsão Exercise 11: Intervalos de confiança para a previsão

Exercício atual

A teoria econômica tem muito a dizer sobre a previsão de valores de demanda. Fatores externos como preço, sazonalidade e timing de promoções obviamente influenciam alguns aspectos da demanda por produtos. Neste capítulo, você vai aprender o básico sobre modelos de elasticidade-preço e como incorporar fatores de sazonalidade e timing de promoções às nossas previsões de demanda de produtos.

Exercise 1: Elasticidade-preço Exercise 2: Calculando a elasticidade-preço Exercise 3: Interpretar resultados de elasticidade Exercise 4: Efeitos sazonais, de feriados e de promoções Exercise 5: Visualizar efeitos de feriados/promoções Exercise 6: Criar variáveis de efeito de feriado/promoção Exercise 7: Regressão para efeitos de feriado/promoção Exercise 8: Efeitos significativos de feriados ou promoções?Exercise 9: Previsão com regressão Exercise 10: Criar variáveis preditoras futuras Exercise 11: Prever valores futuros da demanda Exercise 12: Visualizando previsões de regressão

Modelos de séries temporais e regressões de preço não precisam ser encarados como abordagens separadas para previsão de demanda de produtos. Eles podem ser combinados! Neste capítulo, você vai aprender duas formas de “combinar” as informações obtidas em ambas as abordagens de modelagem — funções de transferência e ensembling de previsões.

Exercise 1: Resíduos do modelo de regressão Exercise 2: Calculando resíduos da regressão Exercise 3: Visualizando os resíduos Exercise 4: Prevendo os resíduos Exercise 5: Função auto.arima Exercise 6: Prevendo resíduos com séries temporais Exercise 7: Visualizando previsões dos resíduos Exercise 8: Funções de transferência e ensembling Exercise 9: Combinando resíduos de regressão e séries temporais Exercise 10: Visualizando a previsão com função de transferência Exercise 11: Calculando o MAPE e o MAE da função de transferência Exercise 12: Previsão com ARIMA Exercise 13: Ensemble de previsões

Até aqui, trabalhamos com modelos individuais para prever a demanda de produtos. Porém, ainda não aproveitamos o fato de que todos esses produtos compõem uma hierarquia de vendas. Produtos formam regiões e regiões formam estados. Como garantir que as previsões se conciliem corretamente ao longo da hierarquia, de cima para baixo e vice-versa? Neste capítulo, você vai aprender sobre previsão hierárquica e como usá-la a seu favor na previsão de demanda de produtos.

Exercise 1: Previsão hierárquica de baixo para cima Exercise 2: Construir previsão de série temporal para novo produto Exercise 3: Crie uma previsão por regressão para um novo produto Exercise 4: Previsão em ensemble para novo produto Exercise 5: Calcular previsão bottom-up para toda a região Exercise 6: Previsão Hierárquica Top-Down Exercise 7: Criar previsão de série temporal no nível regional Exercise 8: Usando proporções históricas médias Exercise 9: Usando a proporção de médias históricas Exercise 10: Previsão Hierárquica Middle-Out Exercise 11: Criar previsão de série temporal para nova região Exercise 12: Previsão top-down para nova região Exercise 13: Previsão bottom-up para o estado inteiro Exercise 14: Parabéns!