问题标签 [arima]

我的目标：我想了解一个时间序列，一个强自回归的序列（ACF 和 PACF 输出告诉我）并做出预测。

所以我所做的是我首先将我的数据转换为 ts，然后分解时间序列，检查它的平稳性（序列不是平稳的）。然后我进行了对数转换，找到了一个最适合数据的 Arima 模型——我用 accuracy(x) 检查了准确度——我选择了准确度输出最接近 0 的模型。

这是正确的程序吗？我是统计和 R 的新手，如果这不正确，我将不胜感激。

在构建 Arima 模型时，我使用了以下代码：

我收到的结果是一个日志函数，过去的数据（我用来构建模型的数据）没有显示在图表中。因此，为了将日志转换为原始比例，我使用了以下代码：

那是对的吗？我在网上的某个地方找到了它，但并不真正理解它。

现在我的主要问题是：如何在一张图中绘制原始数据和 ARIMA_FORECAST？我的意思是如果不进行对数转换，则以显示预测的方式显示它——预测应该显示为过去数据的扩展，置信区间也应该存在。

我会采用五个参数：a、b、c、d 和每个模型的标准偏差平均值（它是正常值，没有矩阵）并将这些信息存储为向量，然后使用 rbind 来创建我可以搜索的矩阵对于模型和参数。

我正在尝试使用嵌套循环，例如：

但我收到此错误：

错误：意外的“}”在：“ValidationBox <- rbind(ValidationBox,c(a,b,c,d,mean(Garch_model@sigma.t)) }”} 错误：意外的“}”在“}”} 错误：“}”中的意外'}' } 错误：“}”中的意外'}'

谁能告诉我是什么问题？

假设我有两个时间序列 {x} 和 {y}，并且想要检查 {y} 的当前实现如何依赖于 {x} 的当前和过去实现以及 {y} 的过去实现。为此，我可以运行一个 VAR(p) 模型，包括{x} 和 {y} 的p滞后。但是，我想假设 {x} 是外生的，所以我想运行 ARIMAX 模型会更好，即具有一个或多个外生变量的 ARIMA 模型。

为了估计 R 中的 ARIMAX 模型，我可以使用包TSA或auto中的函数arimax() ( https://www.rdocumentation.org/packages/TSA/versions/1.01/topics/arimax )。来自预测的arima() ( https://www.rdocumentation.org/packages/forecast/versions/8.1/topics/auto.arima )都允许包含外生变量（它由参数 xreg 指定）

然而，我想知道为什么不能定义外生变量的滞后？或者是否有任何（理论上的）原因我们不应该估计包括外生变量滞后的 ARIMAX 模型？我知道使用A utregressive D分布的L ag 模型是可能的，因此基本上是具有外生变量的 AR 模型。

我想模拟一个 AR(1) 模型 x_t = rho * x_(t-1) + e_t，其中 rho=1，n=1050，所以我在 R 中尝试了以下代码。

但是 R 返回以下消息：错误：模型的“ar”部分不是固定的。在这种情况下如何模拟这个 AR(a) 模型？

我目前在 R 中有几个 ARIMA 模型，我希望在一篇论文中正式介绍它们。

我只是想知道是否存在可以让我说明这些结果的工具，而无需手动提取这些数据？

除非我弄错了，否则我知道 stargazer 确实可以适应 arima 变化，但不能适应预测包中的“Arima”代码。当我尝试使用后者时，我收到一条错误消息，告诉我它是“无法识别的对象类型”。

还有什么可以做的吗？

另外，对于其他类型的诊断输出（例如，Augmented Dickey-Fuller 测试等），是否有其他方法可以使用 kable 等来呈现这些结果？

提前感谢您的帮助！

我正在使用 R 中的预测包来实现 ARIMA 模型。我在拟合模型和产生的残差时遇到问题。

这是一个适合训练数据的 ARIMA 模型：

然后在我在测试集上测试了几个模型之后，假设上面的模型表现最好，所以我将它拟合到整个数据上：（time_shattuck 是整个数据集）

这样做时，我得到的 Ljung-Box 检验的 p 值极低，表明残差中的序列相关性，这在 ACF 图中根本不明显。

然而，如果我这样做：

我得到不同的预测数字，p 值变高。在这两种情况下都应用了相同的 ARIMA 模型。有谁知道为什么结果不同？谢谢

我正在使用 R 并且我有每周数据（总共 660 次观察），我想使用季节性包中的 X-13 Arima-Seats 来季节性地​​调整我的数据。我将数据存储在 ts 对象中：

但是，我收到错误：

我也尝试了较短的时间，但错误仍然相同。

我有一个传感器网络，可以输出每小时/每天的读数。其中一些传感器出现故障并偶尔发出读数（每周一次，每月一次）。传感器不相互连接，但可以分类。我运行了一个聚类算法，根据它们的干燥参数对它们进行分类（每个参数都位于不同的位置，定义和规格略有不同）。

对于每个有故障的传感器，我预测/检查它所属的集群，现在我想根据集群中其他（非故障）传感器的读取来预测它的读取。

似乎 ARIMA 最适合数据，但有没有办法为许多时间序列构建 ARIMA 模型并将其应用于故障传感器的数据？有没有更好的算法适合这个问题？

感谢所有帮助。

我的问题的一个非常小的版本是这样的：

我有许多时间序列

我已经使用 auto.arima 和 data.table 使用出色的预测包对这些进行了建模（实际上我有 400 多个 ts）

这很神奇，我的问题是如何更新 Arima 模型以获取新数据？

我一直在尝试做一些类似的事情

但是我没有运气！

我正在尝试编写一个函数，它给出 auto.arima 的残差以应用 Box-Ljung 测试。我试过lapply()了，但我现在不知道如何使用它来获取每个系列的残差。

我想要一个具有 3 列dj1、dj2和dj3291 行的矩阵/数据框（其中包含每列的残差）。

我能够计算单个时间序列的残差，但不能计算每个序列在数据框/矩阵中组织时的残差。我尝试了其他一些东西，但它给出了： Error in auto.arima(x) : auto.arima can only handle univariate time series

任何帮助将不胜感激。