1

週間データの売上を予測しようとしています。データは、104 週間の週番号、売上、平均価格/単位、休日 (その週に休日が含まれるかどうか)、およびプロモーション (プロモーションが行われる場合) の変数で構成されます。したがって、基本的にデータセットの最後の 6 つの obs は次のようになります。

 Week     Sales       Avg.price.unit Holiday    Promotion

  101     8,970             50       0         1

  102    17,000             50       1         1

  103    23,000             80       1         0

  104    28,000            180       1         0

  105                      176       1         0

  106                      75        0         1

ここで、105 週目と 106 週目を予測したいと思います。そこで、ts 関数を使用して単変量時系列 x を作成し、次のコマンドを発行して auto.arima 関数を実行しました。

x<-ts(sales$Sales, frequency=7)
>  fit<-auto.arima(x,xreg=external, test=c("kpss","adf","pp"),seasonal.test=c("ocsb","ch"),allowdrift=TRUE)
>fit
ARIMA(1,1,1)                    

**Coefficients:
          ar1      ma1  Avg.price.unit   Holiday  Promotion

      -0.1497  -0.9180          0.0363  -10.4181    -4.8971

s.e.   0.1012   0.0338          0.0646    5.1999     5.5148

sigma^2 estimated as 479.3:  log likelihood=-465.09
AIC=942.17   AICc=943.05   BIC=957.98**

ここで、過去 2 週間 (105 週目と 106 週目) の値を予測したい場合、105 週目と 106 週目のリグレッサーの外部値を指定します。

forecast(fit, xreg=ext)

where ext consists of future values of regressors for last 2 weeks.

The output comes as:

 Point         Forecast    Lo 80    Hi 80    Lo 95    Hi 95

15.85714       44.13430 16.07853 72.19008 1.226693 87.04191

16.00000       45.50166 17.38155 73.62177 2.495667 88.50765

以前の値 (トレーニング) 値の販売値は一般に数千の範囲にあるため、販売の予測値が非常に少ないため、出力は正しくないように見えます。

それが正しくない/予期しない理由を誰かが教えてくれれば、それは素晴らしいことです.

4

2 に答える 2

1

1 年の特定の週または特定のイベントが重要である可能性があることをアプリオリに知っていれば、有用な伝達関数を作成できます。短期的な自己回帰構造を処理するために、ARIMA 構造を含める必要がある場合があります。また、不特定の決定論的系列 (省略された変数) を処理するために、いくつかのパルス/レベル シフト/ローカル トレンドを含める必要があります。すべてのデータを投稿したい場合は、喜んでそれを実証し、グラウンド ゼロ ヘルプを提供します。または、dave@autobox.com まで電子メールで送信していただければ、分析してデータと結果をリストに投稿します。この質問に関する他のコメンテーターも、比較分析について同じことをしたいと思うかもしれません。

于 2013-03-21T14:00:48.230 に答える
-3

モデルの 51 週間ダミーはどこにありますか? それらがなければ、季節性を捉えることはできません。

于 2013-03-19T11:35:42.520 に答える