Sai phân không mùa vụ để đạt tính dừng

Sai phân (Differencing) là cách giúp một chuỗi thời gian trở nên dừng; tức là bạn loại bỏ các mẫu có tính hệ thống như xu hướng và mùa vụ khỏi dữ liệu. Chuỗi nhiễu trắng được xem là một trường hợp đặc biệt của chuỗi thời gian dừng.

Với dữ liệu không có tính mùa vụ, bạn dùng sai phân trễ-1 để mô hình hóa thay đổi giữa các quan sát thay vì mô hình hóa trực tiếp các quan sát. Bạn đã làm điều này trước đó bằng cách dùng hàm diff().

Trong bài tập này, bạn sẽ dùng dữ liệu wmurders đã được nạp sẵn, chứa tỷ lệ án mạng đối với nữ tại Mỹ hằng năm giai đoạn 1950–2004.

Bài tập này là một phần của khóa học

Dự báo bằng R

Xem khóa học

Hướng dẫn bài tập

Vẽ biểu đồ dữ liệu wmurders và quan sát cách nó thay đổi theo thời gian.
Tiếp theo, vẽ biểu đồ mức thay đổi hằng năm của tỷ lệ án mạng bằng hàm đã nêu ở trên và nhận thấy rằng chúng ổn định hơn nhiều.
Cuối cùng, vẽ ACF của các thay đổi trong tỷ lệ án mạng bằng một hàm bạn đã học ở chương đầu.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Plot the US female murder rate
___

# Plot the differenced murder rate
___

# Plot the ACF of the differenced murder rate
___

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Dự báo bằng R

SkillTag.level.beginnerSkillTag.label

4.9+

Bắt đầu khóa học miễn phí

Việc đầu tiên trong bất kỳ phân tích dữ liệu nào là vẽ biểu đồ dữ liệu. Biểu đồ giúp bạn nhìn thấy nhiều đặc điểm của dữ liệu, bao gồm các mẫu lặp lại, điểm bất thường và các thay đổi theo thời gian. Những đặc điểm quan sát được trên đồ thị dữ liệu sau đó cần được đưa vào, càng nhiều càng tốt, trong các phương pháp dự báo sẽ sử dụng.

Exercise 1: Chào mừng đến với Dự báo bằng R Exercise 2: Tạo đối tượng chuỗi thời gian trong R Exercise 3: Biểu đồ chuỗi thời gian Exercise 4: Biểu đồ theo mùa Exercise 5: Xu hướng, tính thời vụ và tính chu kỳ Exercise 6: Tự tương quan của chuỗi thời gian không có tính mùa vụ Exercise 7: Tự tương quan của chuỗi thời gian có mùa vụ và chu kỳ Exercise 8: Ghép ACF với chuỗi thời gian Exercise 9: Nhiễu trắng Exercise 10: Giá cổ phiếu và nhiễu trắng

Trong chương này, bạn sẽ học các công cụ tổng quát hữu ích cho nhiều tình huống dự báo khác nhau. Chúng tôi sẽ mô tả một số phương pháp dự báo chuẩn so sánh (benchmark), các cách kiểm tra liệu một phương pháp dự báo đã khai thác đầy đủ thông tin sẵn có hay chưa, và các phương pháp đo lường độ chính xác dự báo. Mỗi công cụ được thảo luận trong chương này sẽ được dùng lặp lại ở các chương sau khi bạn phát triển và khám phá nhiều phương pháp dự báo khác nhau.

Exercise 1: Dự báo và các kịch bản tương lai có thể xảy ra Exercise 2: Các phương pháp dự báo naive Exercise 3: Giá trị khớp và phần dư Exercise 4: Kiểm tra phần dư chuỗi thời gian Exercise 5: Tập huấn luyện và tập kiểm tra Exercise 6: Đánh giá độ chính xác dự báo của các phương pháp không theo mùa Exercise 7: Đánh giá độ chính xác của các phương pháp theo mùa Exercise 8: Mô hình dự báo của tôi có tốt không?Exercise 9: Cross-validation cho chuỗi thời gian Exercise 10: Sử dụng tsCV() cho cross-validation chuỗi thời gian

Các dự báo từ phương pháp làm trơn hàm mũ là trung bình có trọng số của các quan sát trong quá khứ, với trọng số giảm dần theo hàm mũ khi quan sát càng cũ. Nói cách khác, quan sát càng gần hiện tại thì trọng số càng cao. Khung phương pháp này tạo ra dự báo đáng tin cậy một cách nhanh chóng và cho nhiều loại chuỗi thời gian, đây là lợi thế lớn và rất quan trọng cho các ứng dụng kinh doanh.

Exercise 1: Dự báo trọng số mũ Exercise 2: Làm trơn mũ đơn giản Exercise 3: SES so với naive Exercise 4: Các phương pháp làm trơn mũ có xu thế Exercise 5: Các phương pháp xu hướng của Holt Exercise 6: Các phương pháp san bằng mũ có xu thế và tính mùa vụ Exercise 7: Holt-Winters với dữ liệu theo tháng Exercise 8: Phương pháp Holt–Winters với dữ liệu theo ngày Exercise 9: Mô hình không gian trạng thái cho san bằng mũ Exercise 10: Dự báo tự động với san bằng mũ (exponential smoothing)Exercise 11: ETS so với seasonal naive Exercise 12: Ghép mô hình với chuỗi thời gian Exercise 13: Khi nào ETS thất bại?

Mô hình ARIMA cung cấp một cách tiếp cận khác cho dự báo chuỗi thời gian. Làm trơn hàm mũ và mô hình ARIMA là hai hướng tiếp cận được dùng rộng rãi nhất cho dự báo chuỗi thời gian và mang tính bổ sung cho nhau. Trong khi các mô hình làm trơn hàm mũ dựa trên mô tả xu hướng và tính thời vụ trong dữ liệu, mô hình ARIMA nhằm mô tả tự tương quan trong dữ liệu.

Exercise 1: Biến đổi để ổn định phương sai Exercise 2: Biến đổi Box-Cox cho chuỗi thời gian Exercise 3: Sai phân không mùa vụ để đạt tính dừng

Bài tập hiện tại

Exercise 4: Sai phân theo mùa để đạt tính dừng Exercise 5: Mô hình ARIMA Exercise 6: Mô hình ARIMA tự động cho chuỗi thời gian không theo mùa Exercise 7: Dự báo với mô hình ARIMA Exercise 8: So sánh auto.arima() và ets() trên dữ liệu không có mùa vụ Exercise 9: Mô hình ARIMA theo mùa (Seasonal ARIMA)Exercise 10: ARIMA tự động cho chuỗi thời gian có tính mùa vụ Exercise 11: Khám phá các tùy chọn của auto.arima()Exercise 12: So sánh auto.arima() và ets() trên dữ liệu theo mùa

Các mô hình chuỗi thời gian ở những chương trước hoạt động tốt với nhiều chuỗi, nhưng thường không phù hợp cho dữ liệu theo tuần hoặc theo giờ, và chúng không cho phép đưa thêm các thông tin khác như ảnh hưởng của ngày lễ, hoạt động của đối thủ, thay đổi pháp luật, v.v. Trong chương này, bạn sẽ xem xét một số phương pháp xử lý tính thời vụ phức tạp hơn, và cân nhắc cách mở rộng mô hình ARIMA để có thể đưa các thông tin bổ sung vào trong mô hình.

Exercise 1: Hồi quy động Exercise 2: Dự báo doanh số có xét đến chi phí quảng cáo Exercise 3: Dự báo nhu cầu điện Exercise 4: Hồi quy điều hòa động Exercise 5: Dự báo dữ liệu theo tuần Exercise 6: Hồi quy điều hòa cho tính mùa vụ đa bội Exercise 7: Dự báo số lượt đặt cuộc gọi Exercise 8: Mô hình TBATS Exercise 9: Mô hình TBATS cho nhu cầu điện Exercise 10: Tương lai của bạn với dự báo!