4

私は1つの時系列を持っています、としましょう

694 281 479 646 282 317 790 591 573 605 423 639 873 420 626 849 596 486 578 457 465 518 272 549 437 445 596 396 259 390

さて、ARIMAモデルで以下の値を予測したいのですが、ARIMAでは時系列が定常である必要があるので、その前に上記の時系列が要件に合致しているかどうかを見極めないといけないので、fUnitRootsが出てきます。

http://cran.r-project.org/web/packages/fUnitRoots/fUnitRoots.pdfが役立つと思いますが、簡単なチュートリアルはありません

1 つの時系列を識別する方法を示す小さなデモが 1 つだけ欲しいのですが、何かありますか?

前もって感謝します。

4

2 に答える 2

4

urcaのパッケージを使用した例を示しますR。

library(urca)
data(npext) # This is the data used by Nelson and Plosser (1982)
sample.data<-npext
head(sample.data)
 year      cpi employmt gnpdefl nomgnp interest    indprod gnpperca realgnp wages realwag sp500 unemploy velocity  M
1 1860 3.295837       NA      NA     NA       NA -0.1053605       NA      NA    NA      NA    NA       NA       NA NA
2 1861 3.295837       NA      NA     NA       NA -0.1053605       NA      NA    NA      NA    NA       NA       NA NA
3 1862 3.401197       NA      NA     NA       NA -0.1053605       NA      NA    NA      NA    NA       NA       NA NA
4 1863 3.610918       NA      NA     NA       NA  0.0000000       NA      NA    NA      NA    NA       NA       NA NA
5 1864 3.871201       NA      NA     NA       NA  0.0000000       NA      NA    NA      NA    NA       NA       NA NA
6 1865 3.850148       NA      NA     NA       NA  0.0000000       NA      NA    NA      NA    NA       NA       NA NA

ADF例として、単位根テストを実行するために使用しますindustrial production index。はlagに基づいて選択されSICます。日付にトレンドがあるのでトレンドを使います。

 ############################################### 
# Augmented Dickey-Fuller Test Unit Root Test # 
############################################### 

Test regression trend 


Call:
lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.31644 -0.04813  0.00965  0.05252  0.20504 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept)  0.052208   0.017273   3.022 0.003051 ** 
z.lag.1     -0.176575   0.049406  -3.574 0.000503 ***
tt           0.007185   0.002061   3.486 0.000680 ***
z.diff.lag   0.124320   0.089153   1.394 0.165695    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 0.09252 on 123 degrees of freedom
Multiple R-squared: 0.09796,    Adjusted R-squared: 0.07596 
F-statistic: 4.452 on 3 and 123 DF,  p-value: 0.005255 


Value of test-statistic is: -3.574 11.1715 6.5748 

Critical values for test statistics: 
      1pct  5pct 10pct
tau3 -3.99 -3.43 -3.13
phi2  6.22  4.75  4.07
phi3  8.43  6.49  5.47

#Interpretation:を最適なラグとしてBIC選択します。lag 1テスト統計は、5 パーセント (-3.430)-3.574のクリティカル値よりも小さくなっています。tau3したがって、単位根があるという null は でのみ拒否され5 percentます。

また、こちらで入手できる無料の予測ブックを確認してください

于 2013-04-20T18:21:32.247 に答える
1

もちろん、ADF テストなどの公式テストを実行することもできますが、最初のステップとして定常性の「非公式テスト」を実行することをお勧めします。

を使用してデータを視覚的に検査するplot()と、データが定常であるかどうかを識別するのに役立ちます。

次のステップは、データの自己相関関数と偏自己相関関数を調査することです。acf()関数と関数の両方を呼び出すことで、これを行うことができますpacf()。これは、データが定常であるかどうかを判断するのに役立つだけでなく、必要な診断チェックを実行した後にすべて明確になった場合に、後で推定して予測に使用できる暫定的な ARIMA モデルを特定するのにも役立ちます。

実際、提供したデータには 30 個の観測しかないという事実に注意を払う必要があります。これは、ARIMA モデルを使用した予測に必要な約 50 の観測という実用的な最小レベルを下回っています。

それが役に立った場合、データをプロットした直後に、データがおそらく定常であるとほぼ確信していました。推定されたacfとpacfは、この見解を裏付けているようです。そのような非公式のテストで十分な場合もあります。

この時系列の r の小さな本は、さらに役立つ可能性があります。

于 2013-04-20T22:17:54.833 に答える