आर-आर, टाइम-सीरीज, एनालिटिक्स, बिक्री में जेनरेटेड गैर-स्थिर डेटा और ऑटो.रिमा

मैंने एक समय श्रृंखला विश्लेषण निष्पादित करने के लिए अपना काल्पनिक बिक्री डेटा तैयार किया।

यह एक बढ़ती हुई कंपनी का प्रतिनिधित्व करने वाला है औरइसलिए मैंने एक प्रवृत्ति के साथ काम किया। हालाँकि, मैं कुछ ट्यूटोरियल के माध्यम से पढ़ता हूं और अक्सर जानकारी पढ़ता हूं, कि गैर-स्थिर समय श्रृंखला को ऑटो.रिमा फ़ंक्शन द्वारा भविष्यवाणी नहीं की जानी चाहिए।

लेकिन मुझे ऐसे परिणाम प्राप्त होते हैं जो समझ में आते हैं और अगर मैं डेटा (जो मैंने भी किया था) को अलग कर देता हूँ, तो आउटपुट बहुत मायने नहीं रखता।

तो यहाँ मेरा सवाल आता है: क्या मैं इसका उपयोग कर सकता हूँ auto.arima मेरे डेटा के साथ कार्य करें, जो स्पष्ट रूप से एक प्रवृत्ति है?

सबसे अच्छा संबंध है और अग्रिम धन्यवाद, फ्रांसिस्को

eps <- rnorm(100, 30, 20)
trend <- seq(1, 100, 1)
trend <- 3 * trend
Sales <- trend + eps
timeframe<-seq(as.Date("2008/9/1"),by="month",length.out=100)
Data<-data.frame(Sales,timeframe)

plot(Data$timeframe,Data$Sales)

ts=ts(t(Data[,1]))
plot(ts[1,],type="o",col="black")

md=rwf(ts[1,],h=12,drift=T,level=c(80,95))
auto.arima(ts[1,])

पूर्वानुमान फ़ंक्शन का उपयोग करने से हमें अगले वर्ष के लिए अपेक्षित बिक्री की साजिश करने की अनुमति मिलती है: plot(forecast(auto.arima(ts[1,]),h=12))

हमारे स्वचालित ARIMA के साथ पूर्वानुमान फ़ंक्शन का उपयोग करने से हमें अगले क्वार्टल के लिए योजना बनाने में मदद मिल सकती है

forecast(auto.arima(ts[1,]),h=4)
plot(forecast(auto.arima(ts[1,])))

दूसरा तरीका ऑटोप्लॉट फ़ंक्शन का उपयोग करना होगा

fc<-forecast(ts[1,])
autoplot(fc)

अगला कदम हमारी समय-श्रृंखला का विश्लेषण करना है। मैं अमल करता हूं adf परीक्षण, जो कि शून्य-परिकल्पना है कि डेटा गैर-स्थिर है। तो 5% डिफॉल्ट थ्रेशोल्ड के साथ हमारे पी-वैल्यू को 0.05 से अधिक होना चाहिए ताकि गैर-स्थिर के रूप में प्रमाणित किया जा सके।

library(tseries)
adf=adf.test(ts[1,])
adf

आउटपुट से पता चलता है कि डेटा गैर-स्थिर है:

acf
acf=Acf(ts[1,])
Acf(ts[1,])

निरंकुशता लगभग लगातार कम हो रही है, यह गैर-स्थिर डेटा को भी इंगित करता है। कर रहा है a kpss.test यह सत्यापित करना चाहिए कि हमारा डेटा गैर-स्थिर है, क्योंकि इसकी अशांति-परिकल्पना एडीएफ परीक्षण के विपरीत है।

क्या हम 0.05 से छोटे मूल्य की उम्मीद करते हैं

kpss=kpss.test(ts[1,])
kpss

हमें 0.01 का पी-मान प्राप्त होता है, जिससे यह साबित होता है कि डेटा का चलन है

ndiffs(ts[1,])

diff.data=diff(ts[1,])
auto.arima(diff.data)
plot(forecast(diff.data))

उत्तर:

उत्तर № 1 के लिए 1

तुम्हारे प्रश्न का उत्तर देने के लिए - हाँ, आप गैर-स्थिर डेटा पर पूर्वानुमान पैकेज में auto.arima () फ़ंक्शन का उपयोग कर सकते हैं।

यदि आप ऑटो के लिए मदद फ़ाइल को देखते हैं।arima () (टाइप करके; auto.arima) आप देखेंगे कि यह बताता है कि आप "d" पैरामीटर को निर्दिष्ट करने के लिए चुन सकते हैं - यह अलग-अलग क्रम का क्रम है - पहले क्रम का मतलब है कि आप डेटा को एक बार अंतर करते हैं, दूसरे क्रम का मतलब है आप अंतर डेटा दो बार आदि। आप इस पैरामीटर को निर्दिष्ट नहीं करने के लिए भी चुन सकते हैं और इस मामले में, ऑटो.रिमा () फ़ंक्शन "केपीएस" टेस्ट का उपयोग करके अलग-अलग क्रम के उचित क्रम को निर्धारित करेगा। अन्य इकाई रूट परीक्षण हैं जैसे कि ऑगमेंटेड डिकी-फुलर जिसे आप परीक्षण = "एडफ़" सेट करके ऑटो.रिमा फ़ंक्शन में उपयोग करना चुन सकते हैं। यह वास्तव में आपकी प्राथमिकता पर निर्भर करता है।

आप यहाँ auto.arima फ़ंक्शन के बारे में अधिक जानकारी के लिए पृष्ठ 11 और उसके बाद के पृष्ठों का उल्लेख कर सकते हैं:

https://cran.r-project.org/web/packages/forecast/forecast.pdf

---