在季節性資料上比較 auto.arima() 與 ets()
當資料頻率高於「年度」時，該如何建立訓練集與測試集？如有需要，可以在 window() 函式的 start 和／或 end 參數中使用 c(year, period) 形式的向量。同時也要確認在各種預測函式中，h 的取值正確。記得 h 應等於測試集資料的長度。
例如，若你的資料涵蓋 15 年，訓練集是前 10 年，預測最後 5 年，應該使用 h = 12 * 5，而不是 h = 5，因為測試集會包含 60 個每月觀測值。若改為訓練集是前 9.5 年，且你要預測最後 5.5 年，則應使用 h = 66，以涵蓋多出的 6 個月。
在本章最後一個練習中，你會比較應用於季節性水泥產量季資料 qcement 的季節性 ARIMA 與 ETS 模型。因為這個時間序列很長，你可以不必用時間序列交叉驗證，改用訓練集與測試集。這樣速度更快。
qcement 資料已可在你的工作環境中使用。
本練習屬於課程
R 的時間序列預測
練習說明
- 建立名為
train的訓練集，包含自 1988 年開始至 2007 年最後一季的qcement資料共 20 年；end參數必須使用向量格式。剩餘的資料作為測試集。 - 對訓練資料分別配適 ARIMA 與 ETS 模型，並各自儲存為
fit1與fit2。 - 如同先前的練習一樣，檢查兩個模型的殘差是否為白噪音。
- 針對剩餘資料從兩個模型各自產生預測，分別儲存為
fc1與fc2。將h設為測試集中總季數。請留意——qcement的最後一筆觀測並不是該年的最後一季！ - 使用
accuracy()函式，根據 RMSE 值找出較好的模型，並將其儲存為bettermodel。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Use 20 years of the qcement data beginning in 1988
train <- window(___, start = ___, end = ___)
# Fit an ARIMA and an ETS model to the training data
fit1 <- ___
fit2 <- ___
# Check that both models have white noise residuals
___
___
# Produce forecasts for each model
fc1 <- forecast(___, h = ___)
fc2 <- forecast(___, h = ___)
# Use accuracy() to find better model based on RMSE
accuracy(___, ___)
accuracy(___, ___)
bettermodel <- ___