在 R 中使用 arima 循环答案

【问题标题】：Looping with arima in R在 R 中使用 arima 循环
【发布时间】：2021-08-06 08:49:33
【问题描述】：

我正在尝试用 for 函数做多个 arimas。

到目前为止，我的尝试是这样的。

for(p in 0:20){
  for(q in 0:20){
    for (d in 0:3) {
      fit <- arima(y, order=c(p,d,q),method="ML")
      acc <- accuracy(fit)
      print(p);print(d);print(q)
    }
    }
      
}

我想获得一个数据集中的所有准确度向量，对于每个 arima，带有 3 个额外的 p,d,q 列。

然后我想拯救模型和AIC的对数似然

所以最终的输出应该是一个看起来像这样的数据框，其中每一行都是一个模型。

                   ME     RMSE      MAE         MPE     MAPE     MASE       ACF1 loglikeli  AIC   p   d  q
Training set       x       x         x           x       x        x          x    x          x    x   x  x

Training set       w       w         w           w       w        w          w    w          w    w   w  w 

Training set       y       y         y           y       y        y          y    y          y    y   y  y

```

【问题讨论】：

标签： r forecasting arima

【解决方案1】：

你快到了。最简单的方法是迭代地将每个 Arima 对象的摘要添加到数据框中。

下面的代码可以满足您的需要（我已经减少了迭代次数，否则会花费很长时间）。

# load package
library(forecast)

# create some data
y <- rnorm(100)

# object to store arima summary in
model_smry <- data.frame()

# loop to store
for(p in 1:2){
  for(q in 1:2){
    for (d in 1:2) {
      fit <- arima(y, order=c(p,d,q),method="ML")
      acc <- accuracy(fit)
      
      # gather everything into a single data frame 
      acc_ext <- data.frame(# information from accuracy function
                            acc,
                            # goodness of fit
                            loglikeli = logLik(fit),
                            AIC = AIC(fit), 
                            # arima order
                            p,
                            q,
                            d)
      
      # add arima summary
      model_smry <- rbind(model_smry, acc_ext)
   
    }
  }
  
}

# show summary
model_smry

输出：


                       ME      RMSE       MAE        MPE     MAPE      MASE         ACF1 loglikeli      AIC p q d
Training set   0.03590650 0.8270888 0.6536260   61.96955 124.9386 0.6845685 -0.006412280 -124.4806 254.9612 1 1 1
Training set1 -0.03384812 0.9791048 0.7565525 -540.90163 825.9039 0.7923675 -0.129324621 -140.8802 287.7604 1 1 2
Training set2  0.03709185 0.8225973 0.6502470   95.99749 134.0075 0.6810295  0.026597486 -123.9961 255.9921 1 2 1
Training set3 -0.04914004 0.8317765 0.6574596  -51.59546 250.4728 0.6885836 -0.013578522 -129.2061 266.4123 1 2 2
Training set4  0.03698832 0.8239479 0.6516438   26.90046 162.6580 0.6824924  0.001452607 -124.0094 256.0188 2 1 1
Training set5 -0.04342442 0.9527430 0.7233051  -39.01621 319.2866 0.7575462 -0.050439230 -138.4554 284.9108 2 1 2
Training set6  0.03606286 0.8227565 0.6522152  -30.19270 220.3092 0.6830908 -0.003839680 -123.8827 257.7654 2 2 1
Training set7 -0.05099161 0.8291406 0.6503652  -91.41328 289.5055 0.6811533 -0.004315754 -128.5307 267.0613 2 2 2

【讨论】：

谢谢！这工作得很好。但是我使用 p & q=20 和 d=3 运行，所以很多。

【解决方案2】：

除了原始问题和@ralph 的答案中的嵌套循环之外，还可以使用一个函数，然后使用apply 将其向量化。这种风格更模块化，更容易调试：

library(forecast)

# create some data
set.seed(456)
y <- rnorm(100)

# create a matrix of all desired orders
pqd <- expand.grid(p=1:2, q=1:2, d=1:2)

# a function that does the analysis for a single case
fit_arima <- function(ord) {
  fit <- arima(y, order = ord, method = "ML")
  acc <- accuracy(fit)
  c(acc = acc, loglikeli = logLik(fit),  AIC = AIC(fit))
}

# test a single case
fit_arima(c(p=1, q=1, d=1))

# run all
ret <- apply(pqd, 1, fit_arima)

# bind input and results together
cbind(pqd, t(ret))

【讨论】：