Tolka auto.arima

Du har precis byggt en modell för dina data – men vilken modell blev det? Använd konsolen till höger för att skriva ut objektet MET_t_model och avgör vilken typ av tidsseriemodell du har.

Den här övningen är en del av kursen

Prognostisering av produktefterfrågan i R

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Prognostisering av produktefterfrågan i R

SkillTag.level.intermediateSkillTag.label

4.7+

Starta kursen gratis

När det gäller prognostisering är tidseriemodellering ett utmärkt sätt att börja. Du behöver förutsäga framtida försäljningsefterfrågan, och ARIMA-modeller är en bra grundläggande metod. I det här kapitlet lär du dig att snabbt implementera ARIMA-modeller och ta fram goda initiala prognoser för framtida produktefterfrågan.

Exercise 1: Läsa in data i ett xts-objekt Exercise 2: Importera data Exercise 3: Plotta och visualisera data Exercise 4: ARIMA-tidsserier 101 Exercise 5: Funktionen auto.arima()Exercise 6: Tolka auto.arima

Aktuell övning

Exercise 7: Prognostisering och utvärdering Exercise 8: Forecast-funktionen Exercise 9: Beräkna MAPE och MAE Exercise 10: Visualisera prognosen Exercise 11: Konfidensintervall för prognos

Ekonomisk teori har mycket att säga om att förutsäga efterfrågevärden. Externa faktorer som pris, säsongsvariation och tidpunkten för kampanjer påverkar naturligtvis produktefterfrågan i viss utsträckning. I det här kapitlet lär du dig grunderna i priselasticitetsmodeller och hur du inkorporerar säsongs- och kampanjfaktorer i dina produktefterfrågansprognoser.

Exercise 1: Priselasticitet Exercise 2: Beräkna priselasticitet Exercise 3: Tolka resultaten från elasticitetsanalysen Exercise 4: Säsongs-, helgdags- och kampanjeffekter Exercise 5: Visualisera säsongs- och kampanjeffekter Exercise 6: Skapa variabler för helgdagar och kampanjer Exercise 7: Regression för helgdags- och kampanjeffekter Exercise 8: Signifikanta helgdags- eller kampanjeffekter?Exercise 9: Prognoser med regression Exercise 10: Skapa framtida prediktorvariabler Exercise 11: Prognostisera framtida efterfrågevärden Exercise 12: Visualisering av regressionsprognoser

Tidseriemodeller och prisregressioner behöver inte betraktas som separata angreppssätt för prognostisering av produktefterfrågan – de kan kombineras. I det här kapitlet lär du dig två sätt att slå samman informationen från båda modelleringsansatserna: transferfunktioner och prognosensemblering.

Exercise 1: Residualer från regressionsmodell Exercise 2: Beräkna residualer från regressionen Exercise 3: Visualisera residualer Exercise 4: Prognos för residualer Exercise 5: Funktionen auto.arima Exercise 6: Prognostisera residualer med tidsserier Exercise 7: Visualisera residualsprognoser Exercise 8: Transferfunktioner och ensembling Exercise 9: Kombinera residualer från regression och tidsserier Exercise 10: Visualisering av transferfunktionsprognos Exercise 11: Beräkna MAPE och MAE för transferfunktionen Exercise 12: ARIMA-prognoser Exercise 13: Ensembling av prognoser

Allt fram till det här kapitlet handlar om att skapa enskilda modeller för prognostisering av produktefterfrågan. Vi har dock ännu inte utnyttjat det faktum att alla dessa produkter bildar en produkthierarki av försäljning – produkter ingår i regioner och regioner ingår i delstater. Hur säkerställer vi att våra prognoser stämmer överens uppåt och nedåt i hierarkin? I det här kapitlet lär du dig om hierarkisk prognostisering och hur du kan använda den till din fördel när du prognostiserar produktefterfrågan.

Exercise 1: Nedifrån-och-upp hierarkisk prognostisering Exercise 2: Bygg en tidsserieprognosmodell för en ny produkt Exercise 3: Bygg en regressionsmodell för en ny produkt Exercise 4: Ensembleprognos för ny produkt Exercise 5: Beräkna nedifrån-och-upp-prognos för hela regionen Exercise 6: Hierarkisk prognostisering uppifrån och ned Exercise 7: Bygg en tidsserieprognoser på regional nivå Exercise 8: Använda genomsnittliga historiska proportioner Exercise 9: Använda andelen av historiska genomsnitt Exercise 10: Hierarkisk prognostisering med mellannivå som utgångspunkt Exercise 11: Bygg en tidsserieprognoser för en ny region Exercise 12: Top-down-prognos för ny region Exercise 13: Nedifrån-och-upp-prognos för hela delstaten Exercise 14: Grattis!