问题标签 [arima]

我正在做一个预测练习。首选模型是 ARIMA (0,0,1) (0,1,1)4，其中存在三个外生变量（Forestalling.1、Forestalling.2、Break）。

我的因变量是Pmean平均房价，外生变量是表示立法变化和财产危机的虚拟变量（这些变量由以下值0、1、-1组成）。

我最初的方法是区分原始模型并拟合 Arima 模型；然而，当预测是在固定序列上完成时，这给我带来了麻烦 - diff(log(x$Pmean),4)

我试图拟合一个包含季节性差异的替代模型，但结果不是最优的，我的估计也不显着。它们甚至为某些参数返回不同的方向（Forestalling2）；它在原始模型中具有负面影响，而在第二个模型中具有正面（空）效果。

有谁知道是否可以在我的第一个模型中重新转换序列，以便我可以预测原始序列log(x$Pmean)或x$Pmean使用模型估计值？

如果不可能，是否可以将第二个 Arima 模型中的差异内化并具有与第一个模型相同的结果模型？

谢谢

我正在玩这个例子

https://github.com/seanabu/seanabu.github.io/blob/master/Seasonal_ARIMA_model_Portland_transit.ipynb

但是，在我自己的 Jupyter Notebook 上，以下代码创建了一个空图。任何想法？谢谢！

我是 R 语言的初学者，我有一个按产品接收的请求数量的月度数据列表，我如何使用 ARIMA 模型（最佳模型）对任何类型的数据进行预测。我使用了下面的代码，但我不知道结果是否正确可靠，或者我必须更改另一个模型或对此代码进行简单更改。

脚本 ：

我正在尝试使用 ARIMA 模型进行预测。我是新手。我试图绘制我的数据集（每小时数据）的seasonal_decompose()，下面是情节吗？

我想了解这些情节，简要说明会有所帮助。我看到最初没有趋势，一段时间后有上升趋势。我不确定我说的对不对？我想了解如何正确阅读这些图表。请给一些好的描述。

当我尝试应用 Dickey-Fuller 测试来检查我的数据是否是静止的并且我需要进一步的差异时，我得到了以下结果：

我指的是2个链接来理解这一点： http ://www.seanabu.com/2016/03/22/time-series-seasonal-ARIMA-model-in-python/

这个链接说当检验统计量大于临界值时，这意味着数据是平稳的；另一方面，另一个链接反之亦然。我对此感到困惑，我也提到了 otexts.org，它说我们应该根据 p 值进行检查。请建议我如何解释 ADF 测试给出的结果？

另外，当我尝试在数据集上应用 ARIMA 模型时：

我的数据框有 datetime 列作为索引，y 列有浮点值。当我在这个数据框上应用模型时。我收到这种错误：

IndexError：列表索引超出范围。

当我尝试使用以下方法打印模型摘要时出现此错误：

请帮我解决一下这个。以便我更好地了解 ARIMA。

我需要使用具有自变量作为工作日的 arima 模型来预测每天的销售额。

所以我建立了模型：d = 数据，总 = 销售星期一，星期二......星期天是我正在使用库的独立变量（预测）

请帮助我进一步进行并预测未来的价值。

如何决定 p,d,q 并绘制预测值与实际值？请帮忙

我正在尝试使用该系列的 ARIMA 模型进行时间序列预测：

我使用以下代码生成不同的 (p, d, q) 值，然后尝试每个值并获得相应的 AIC，然后选择与 AIC 最小的那个。然后在预测中使用这个 (p, d, q) 值。

运行时出现以下错误：

尽管我使用 freq= 'AS' 的日期范围重新索引了该系列，但我仍然遇到相同的错误。

我该如何解决？

我已经使用 ARIMA 进行了预测：

预测结果如下所示：

我想将此点转换为人类可读的日期时间。我怎么做？

我的初始数据框的纪元时间为 row.names，例如：

1484337600 19.22819
1484341200 19.28906
1484344800 19.28228 1484348400 19.21669
1484352000 19.32759 1484355600
19.21833 1484359200
19.20626
1484362800
19.28737
1484366400 19.20651
1484370000 19.18424

我使用以下转换的初始数据集：

它现在给出这样的输出：

没有预测结果。

问题 -2：如果我没有对预测结果中的点进行任何更改：

我得到了我在顶部发布的结果。在这个纪元时间是 1970 年，但它应该是在我原始数据框中的最后一个纪元时间之后。请帮忙。

所以我有一个时间序列，我无法与大家分享，但我有一些关于正确程序以适合我的数据的正确 ARIMA 模型的问题。

我已经成功编写了一个循环来确定需要进行何种程度的差分（I(d) 中的参数 d）

问题：

为了确定 p 和 q，我正在查看我的数据的 ACF 和 PACF 图。但是，我想知道是否应该对我的时间序列（趋势加随机误差，但没有可以稍后添加回来的季节性成分）或我的原始时间序列使用去季节化的转换。我使用 R 中的分解函数获得了季节性数据（stl() 明显更好吗？）。

使用原始时间系列，我的 acf 情节如下所示：

从 ACF 图来看，这里有一些明确的季节性因素。这是否意味着如果我需要使用这些数据，我需要在最终模型中识别非零季节性参数？在这种情况下如何选择季节性 P 和 Q？

使用去季节化的数据，这些图如下所示：

除了 ACF 图上滞后 6 处的峰值表明 p 可能为 6 之外，不知道如何解释季节性 PACF/ACF 图？

今年夏天刚刚学习了 ARIMA，希望了解该主题的任何人的帮助，如何根据我所展示的内容选择最佳参数。期待好的演讲：）

我正在尝试为 ARIMA(p,0,q) 的所有组合生成拟合模型，例如，对于 p<=5 和 q<=5。

我的最终目标是根据 BIC、AIC 和 RMSE 等（使用精度计算）选择最佳模型。

使用循环方法，我能够获得所需的输出，

除了 1 个缺陷，我无法在循环内生成行名（例如，第一行的 ARIMA(0,0,0)），并提示以下错误：

或者

至于使用该apply()方法，我什至无法获得回归列表

并提示以下错误：

对不起，不是专业的编码员。非常感谢专业人士的任何帮助。

我有一个数据框，其中包含时间作为索引，格式为 HH:MM:SS。数据框只有一列 Y，其中包含一个浮点值。我的数据集是：

我想使用 (2,1,2) 顺序的 ARIMA 模型预测 Y 值。但我收到以下错误：

我的代码是：

results_ARIMA = model.fit()
print(results_ARIMA) plt.plot(model.resid) plt.show()

这里dt是数据框。需要建议来解决问题。我的问题与此处输入链接描述非常相似但没有解决方案。