Auto.Arima 预测中的差异预测器答案

【问题标题】：Difference Predictors in Auto.Arima ForecastAuto.Arima 预测中的差异预测器
【发布时间】：2016-03-16 03:37:05
【问题描述】：

我正在尝试使用如下示例中的预测器构建 auto.arima 预测。我注意到我的预测器是非平稳的。所以我想知道是否应该在将预测变量输入 xreg 参数之前对其进行区分，如下所示。真实的数据集要大得多，这只是一个例子。任何意见是极大的赞赏。

代码：

tsTrain <-tsTiTo[1:60]
tsTest <- tsTiTo[61:100]

ndiffs(ds$CustCount)
##returns 1

diffedCustCount<-diff(ds$CustCount,differences=1)

Xreg<-diffedCustCount[1:100]

##Predictor
xregTrain2 <- Xreg[1:60]
xregTest2 <- Xreg[61:100]


Arima.fit2 <- auto.arima(tsTrain, xreg = xregTrain2)

Acast2<-forecast(Arima.fit2, h=40, xreg = xregTest2)

数据：

dput(ds$CustCount[1:100])

c(3, 3, 1, 4, 1, 3, 2, 3, 2, 4, 1, 1, 5, 6, 8, 5, 2, 7, 7, 3, 2, 2, 2 , 1, 3, 2, 3, 1, 1, 2, 1, 1, 3, 2, 2, 2, 3, 7, 5, 6, 8, 7, 3, 5, 6, 6, 8, 4 , 2, 1, 2, 1, 不适用, 不适用, 4, 2, 2, 4, 11, 2, 8, 1, 4, 7, 11, 5, 3, 10, 7, 1, 1, 不适用, 2 , 不适用, 不适用, 2, 不适用, 不适用, 1, 2, 3, 5, 9, 5, 9, 6, 6, 1, 5, 3, 7, 5, 8, 3, 2, 6, 3, 2 , 3, 1)

dput(tsTiTo[1:100])

c(45, 34, 11, 79, 102, 45, 21, 45, 104, 20, 2, 207, 45, 2, 3, 153, 8, 2, 173, 11, 207, 79, 45 , 153, 192, 173, 130, 4, 173, 174, 173, 130, 79, 154, 4, 104, 192, 153, 192, 104, 28, 173, 52, 45, 11, 29, 22, 81 , 7, 79, 193, 104, 1, 1, 46, 130, 45, 154, 153, 7, 174, 21, 193, 45, 79, 173, 45, 153, 45, 173, 2, 1, 2 , 1, 1, 8, 1, 1, 79, 45, 79, 173, 45, 2, 173, 130, 104, 19, 4, 34, 2, 192, 42, 41, 31, 39, 11, 79 , 4, 79)

【问题讨论】：

标签： r forecasting

【解决方案1】：

auto.arima 中的xreg 参数执行dynamic regression，也就是说您正在执行线性回归并使用arma 过程拟合错误。

虽然 auto.arima() 过去在包含外部回归变量时需要对非平稳数据进行手动差分，但现在情况已不再如此。 auto.arima() 将非平稳数据作为输入，并使用单位根检验确定差分顺序。

有关详细信息，请参阅 Rob Hyndman 的 Post。

【讨论】：

感谢您的回复。我已经阅读了 ARIMAX Model Muddle 和 Hyndman 关于 ARIMA 和动态回归的教科书部分。这有点令人困惑，而且我是预测新手。所以只是为了确保我清楚这一点，如果我将 auto.arima 与 xreg 预测器一起使用，并且我试图预测的时间序列是固定的，但 xreg 预测器是非固定的，那么我不需要担心手动区分预测变量，auto.arima 会测试它们并做到吗？对吗？
是的。使用auto.arima()，您无需担心预测变量或预测变量的差异。