Naiva prognosmetoder
Som du lärde dig i videon är en prognos medelvärdet eller medianen av simulerade framtidsscenarier för en tidsserie.
Den allra enklaste prognosmetoden är att använda den senaste observationen – det kallas en naiv prognos och implementeras i en funktion med samma namn. Det är det bästa man kan göra för många tidsserier, inklusive de flesta aktiekurser. Även om det inte alltid är en bra prognosmetod ger den ett användbart riktmärke att jämföra andra metoder mot.
För säsongsdata finns en besläktad idé: att använda motsvarande säsong från det senaste året. Om du till exempel vill prognostisera försäljningsvolymen för nästa mars använder du försäljningsvolymen från föregående mars. Detta implementeras i funktionen snaive(), som står för säsongsnaiv.
För båda metoderna kan du ange det andra argumentet h, som bestämmer hur många värden du vill prognostisera. Som koden nedan visar har de olika standardvärden. Resultatet är ett objekt av klassen forecast – kärnklassen i paketet forecast – och det finns många funktioner för att hantera sådana objekt, bland annat summary() och autoplot().
naive(y, h = 10)
snaive(y, h = 2 * frequency(x))
Du kommer att prova dessa två funktioner på serien goog respektive ausbeer. Båda är tillgängliga i din arbetsmiljö.
Den här övningen är en del av kursen
Prognoser i R
Övningsinstruktioner
- Använd
naive()för att prognostisera de nästa 20 värdena i seriengoog, och spara resultatet ifcgoog. - Visualisera och sammanfatta prognoserna med
autoplot()ochsummary(). - Använd
snaive()för att prognostisera de nästa 16 värdena i serienausbeer, och spara resultatet ifcbeer. - Visualisera och sammanfatta prognoserna för
fcbeerpå samma sätt som du gjorde förfcgoog.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Use naive() to forecast the goog series
fcgoog <- naive(___, ___)
# Plot and summarize the forecasts
___(___)
___(___)
# Use snaive() to forecast the ausbeer series
fcbeer <- ___
# Plot and summarize the forecasts
___
___