问题标签 [autoregressive-models]

有人可以帮助我在多个时间序列上使用滚动窗口在 R 中运行 VAR(1)（向量自回归）并以某种方式存储 Bcoef（系数）和残差吗？似乎我无法想出一种方法来一次完成这一切。

我的代码：（使用包library(vars)进行矢量自回归

这种方法有两个问题：

• 我有 3000 天和输出矩阵rolling.var.coef，var.resids长度也是 3000，而长度必须是 7x3000（有 7 个系数）和 119*3000（每个回归有 119 个残差），所以它只计算 VAR(1)头几天
• 最重要的是：如何在一个功能中完成，而不是两个。因为输出是两个矩阵

这是我的数据的大致视图 - 像这样的 3000 天。

我正在学习为具有多个季节性的时间序列创建预测模型。以下是我所指的数据集的子集。该数据集包括每小时数据点，我希望在我的 arima 模型中包括每天和每周的季节性。以下是数据集的子集：

我尝试使用的代码如下：

上述命令中的 cbind 命令失败，因为 xreg1 和 xreg2 中的行数不同。我什至尝试在傅里叶函数中使用 1:length(data) 参数，但这也给了我一个错误。如果有人可以纠正上述代码中的错误，使用具有最小 AIC 值的 arima 模型生成未来 24 小时的预测，那将非常有帮助。此外，如果您可以通过创建训练和测试数据集在代码中包含数据拆分，那将是非常棒的。谢谢你的帮助。

让我们假设我们有一个国家的外币汇率样本，样本量是 229，这是这个样本的图表

在分析了时间序列之后，让我们假设结论是最适合这个时间序列的模型是一个阶差后阶数为 3 的自回归模型，所以我创建了以下

我的问题是如何在 229 之后进行预测？我知道 matlab 中有函数预测，我尝试过这种方法的不同变体，但我不知道应该使用哪一个？所以我需要在 229 之后进行预测，所以例如我想在 230 的时间指数进行预测？例如在 229 之后 10 天？我需要很少的matlab代码

编辑：

我过去一直在使用 auto.arima 并取得了很大的成功。但是，我开始遇到一个错误，我在排除故障时遇到了困难。错误是：

这是我使用的代码；不幸的是，我无法共享这些数据，因为它们是专有的。

我目前处理这个问题的方法是逐渐减少 xreg 中的外生变量（在循环中从 10 开始下降到 1），但即使这样也失败了。这可能是因为我的数据点少于 30 个。

我查看了源代码，但由于我不是经验丰富的程序员，我很难确定错误的原因。我知道这与函数无法找到最佳匹配有关；或者更好地说，鉴于我拥有的数据，我可能期望过高。数据为年度数据，没有季节性。

https://github.com/robjhyndman/forecast/blob/master/R/arima.R

我的问题是：我需要做哪些调整才能让 auto.arima 为我提供一个拟合模型，然后我可以评估它的预测性能？

我如何一步一步地在 R 中拟合这个模型？我的范围是对 t+1 进行预测。

Y(t) = αX(t) + βY(t-1)

• Y(t) <- 从 1900 年到 2000 年。
• X <- 从 0 到 100 的分数度量。
• Y(t-1) <- Y 的 1 阶滞后值。

提前致谢。

我必须使用 R 对时间序列Y(t)进行一步预测。理论表明理想的模型应该是：

Y(t) = αX + βY(t-1) - βY(t-2)

但是，我不知道如何处理以下问题：

• 我必须取βY(t-1) 减去 βY(t-2)。
• 有自回归（Y(t-1)，Y(t-2)）和外生变量（X）。
• 我必须测试“ βY(t-1) - βY(t-2) ”是否是表达自回归的最佳方式，而不是其他 ARIMA 模型。

有问题的时间序列Y(t)是：

使用的外生变量X是：

您可能会注意到，这个实际的 X 对预测 Y 没有太大帮助。不过，我将其作为示例报告，因为我目前正在寻找 X 的正确值。

如果有任何错误或不清楚的地方，请告诉我，我会给出必要的解释。

提前致谢。

我正在尝试在 matlab 中使用 yule-walker ar 方法预测步骤 n+1 的值。问题是，在绘制我的预测值时，它们似乎很小，就像预测信号是原始信号的缩放版本一样。

为了让我的问题变得非常简单，我编写了这个精简版本，它输入一个斜坡（而不是我测量的信号）进行预测。

结果：3.4415虽然它应该是 6 ......关于我可能在这里遗漏的任何想法？

输出将是这样的。

这里的问题是，即使 statsmodels 确定 AR 模型的理想延迟是 23，但当您检查参数时，只有 18 个参数。不应该一样吗？如果“select_order”中的订单数小于参数数组的长度，这可能是有意义的。我知道“select_order”在这种情况下使用 AIC 标准决定理想的滞后顺序。

有人可以解释为什么吗？假设 23 确实是理想的滞后顺序，我如何获得额外的 5 个参数，因为我在这里最多只能获得 18 个参数？

我有一个关于使用 R studio 对多个时间序列进行 Arima 测试的问题。例如，我有 3 个客户，在 4 个时期内有 3 个时间序列。

客户 1 客户 2 客户 3

1 3 7

2 5 3

4 3 1

5 8 9

现在我想预测 5/8/9 之后的下一个时期。我知道如何使用 Arima 来一一预测时间序列，但实际上我有很多客户，这将花费太多时间。你能教我如何做一个循环或使用 lapply 等等来让事情变得更容易吗？

另外，在挑选Arima的顺序时，我只知道使用Ident生成ACF和PACF的图形来告诉MA和AR的顺序，这在大量时间序列上不起作用-我觉得画数百个不明智数字。你有什么好的建议来告诉Arima的顺序吗？谢谢！

我有一个数据集，我分成：

• 训练：预测器 X_TR（14 个变量中的 1028 条记录）和 Y_TR（1028 条记录单变量）
• 应用：X_APP (115 x 14), Y_APP (115x1),

其中每条记录是一个时间步长 t。

我的目标是构建一个 NN 模型，该模型使用直到 t 的任何历史信息来预测 Y(t+1)，即Y(T+1) = f(X(t),X(t-1),... ,Y(0),X(t),X(t-1),...,Y(0))。请注意，考虑不超过 10 个时间步长的信息是合理的。根据 mathworks.com/help/nnet/gs/neural-network-time-series-prediction-and-modeling.html，我使用 X_T 和 Y_T 训练了一个 NN。

我不知道如何应用经过训练的模型。假设训练成功，我想将模型应用于数据 X_APP 和 Y_APP 的另一部分，以便预测 Y_APP(t+1)。我怎么能做到？

谢谢你。