Intervale de încredere pentru prognoză

Obiectul tău de prognoză forecast_MET_t conține nu doar prognoza în sine, ci și calculele marjei de eroare, numite intervale de încredere. Aceste intervale de încredere ne arată marja de variație a prognozelor, deoarece nicio prognoză nu este perfectă.

Prognoza a fost stocată ca obiectul forecast_MET_t$mean. Limitele superioară și inferioară ale acestui interval sunt stocate în mod similar. A doua coloană a intervalului de încredere superior reprezintă intervalul de 95% și poate fi accesată prin forecast_MET_t$upper[,2]. Pentru a obține limita inferioară, înlocuiește cuvântul upper cu lower.

Acest exercițiu face parte din cursul

Prognozarea cererii de produse în R

Instrucțiuni pentru exercițiu

Convertește atât limita superioară, cât și cea inferioară ale intervalului de încredere de 95% în obiecte xts numite upper și lower. Indexul de date este stocat în for_dates.
Adaugă aceste limite în graficul prognozei și al setului de date de validare.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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")

Editează și rulează codul

Acest exercițiu face parte din cursul

Prognozarea cererii de produse în R

SkillTag.level.intermediateSkillTag.label

4.7+

Începe cursul gratuit

Când vine vorba de prognoză, modelarea seriilor de timp este un punct de plecare excelent! Trebuie să prognozezi valorile viitoare ale cererii de vânzări, iar o abordare de bază potrivită sunt modelele ARIMA. În acest capitol vei învăța cum să implementezi rapid modele ARIMA și să obții prognoze inițiale solide pentru cererea viitoare de produse.

Exercise 1: Încărcarea datelor într-un obiect xts Exercise 2: Importul datelor Exercise 3: Reprezentarea grafică a datelor Exercise 4: ARIMA Time Series 101 Exercise 5: Funcția auto.arima()Exercise 6: Interpretează auto.arima Exercise 7: Prognoză și evaluare Exercise 8: Funcția forecast Exercise 9: Calcularea MAPE și MAE Exercise 10: Vizualizarea prognozei Exercise 11: Intervale de încredere pentru prognoză

Exercițiul curent

Teoria economică oferă o perspectivă valoroasă asupra prognozării valorilor cererii. Evident, factori externi precum prețul, sezonalitatea și momentul promoțiilor influențează anumite aspecte ale cererii de produse. În acest capitol vei învăța elementele de bază ale modelelor de elasticitate a prețului și cum să integrezi factorii de sezonalitate și de calendar promoțional în prognozele cererii de produse.

Exercise 1: Elasticitatea prețului Exercise 2: Calcularea elasticității prețului Exercise 3: Interpretează rezultatele elasticității Exercise 4: Efecte sezoniere, de sărbători și promoționale Exercise 5: Vizualizarea efectelor de sărbători / promoții Exercise 6: Creează variabile pentru efectele sărbătorilor și promoțiilor Exercise 7: Regresie pentru efectele sărbătorilor și promoțiilor Exercise 8: Efecte semnificative ale sărbătorilor sau promoțiilor?Exercise 9: Prognoză cu regresie Exercise 10: Creează variabile predictoare pentru viitor Exercise 11: Prognozează valorile viitoare ale cererii Exercise 12: Vizualizarea prognozelor din regresie

Modelele de serii de timp și regresiile de prețuri nu trebuie tratate ca abordări separate ale prognozei cererii de produse — ele pot fi combinate! În acest capitol vei învăța două modalități de „combinare" a informațiilor obținute din ambele abordări de modelare: funcțiile de transfer și ansamblul de prognoze.

Exercise 1: Reziduurile modelului de regresie Exercise 2: Calcularea reziduurilor din regresia Exercise 3: Vizualizarea reziduurilor Exercise 4: Prognozarea reziduurilor Exercise 5: Funcția auto.arima Exercise 6: Prognozarea reziduurilor cu serii de timp Exercise 7: Vizualizarea prognozelor reziduale Exercise 8: Funcții de transfer și ansamblare Exercise 9: Combinarea reziduurilor din regresie și serii de timp Exercise 10: Vizualizarea prognozei funcției de transfer Exercise 11: Calcularea MAPE și MAE pentru funcția de transfer Exercise 12: Prognoză ARIMA Exercise 13: Combinarea Previziunilor (Ensembling)

Tot ce am parcurs până acum vizează construirea de modele individuale pentru prognozarea cererii de produse. Nu am exploatat însă faptul că toate aceste produse formează o ierarhie de vânzări. Produsele alcătuiesc regiuni, iar regiunile alcătuiesc state. Cum ne asigurăm că prognozele noastre sunt coerente în sus și în jos pe ierarhie? În acest capitol vei învăța despre prognoza ierarhică și cum să o folosești în avantajul tău pentru prognozarea cererii de produse.

Exercise 1: Previziune ierarhică de jos în sus Exercise 2: Construiește o prognoză a seriei de timp pentru un produs nou Exercise 3: Construiește o prognoză prin regresie pentru un produs nou Exercise 4: Previziune prin combinare pentru un produs nou Exercise 5: Calculează prognoza bottom-up pentru întreaga regiune Exercise 6: Prognoze Ierarhice de Sus în Jos Exercise 7: Construiește o prognoză a seriei temporale la nivel regional Exercise 8: Utilizarea proporțiilor istorice medii Exercise 9: Utilizarea proporției mediilor istorice Exercise 10: Previziune ierarhică de tip middle-out Exercise 11: Construiește o prognoză de tip serie temporală pentru o nouă regiune Exercise 12: Prognoză top-down pentru o regiune nouă Exercise 13: Prognoză bottom-up pentru întregul stat Exercise 14: Felicitări!