1

我正在处理 M3 比赛每月数据的时间序列 551。

所以，我的数据是：

library(forecast)
library(Mcomp)
# Time Series
# Subset the M3 data to contain the relevant series 
ts.data<- subset(M3, 12)[[551]]
print(ts.data)

我想对样本内间隔的最后 18 个观测值实施时间序列交叉验证。

有些人通常会称其为“具有滚动起源的预测评估”或类似的东西。

我怎样才能做到这一点？什么是样本内间隔？我必须评估哪些时间序列？

我很困惑，欢迎任何帮助来点亮它。

4

1 回答 1

1

包的tsCV功能forecast是一个很好的起点。

从其文档中，

tsCV（y，预测函数，h = 1，窗口 = NULL，xreg = NULL，初始 = 0，...）

让 'y' 包含时间序列 y[1:T]。然后将“预测函数”连续应用于时间序列 y[1:t]，对于​​ t=1,...,Th，做出预测 f[t+h]。误差由 e[t+h] = y[t+h]-f[t+h] 给出。

即首先 tsCV 将模型拟合到 y[1] 然后预测 y[1 + h]，然后将模型拟合到 y[1:2] 并预测 y[2 + h] 等等，以此类推。

tsCV 函数返回预测误差。

将其应用于训练数据ts.data

# function to fit a model and forecast
fmodel <- function(x, h){
  forecast(Arima(x, order=c(1,1,1), seasonal = c(0, 0, 2)), h=h)
}
 
# time-series CV
cv_errs <- tsCV(ts.data$x, fmodel, h = 1)

# RMSE of the time-series CV
sqrt(mean(cv_errs^2, na.rm=TRUE))
# [1] 778.7898

就您而言，也许您应该

  1. 将模型拟合到 ts.data$x，然后预测 ts.data$xx[1]
  2. 拟合模式 c(ts.data$x, ts.data$xx[1]) 和预测(ts.data$xx[2]) 等等。
于 2021-01-08T23:39:36.373 回答