Saya ingin melakukan perkiraan berdasarkan beberapa seri ARIMA-model dengan beberapa variabel eksogen. Karena saya tidak begitu mahir dalam hal statistik dan RI tidak ingin menjaga sesederhana mungkin (Prakiraan tren selama 3 bulan sudah cukup).
Saya memiliki 1 deret waktu tergantung dan 3-5 deret waktu prediktor, semua data bulanan, tanpa celah, "cakrawala" waktu yang sama.
Saya menemukan fungsi auto.arima dan bertanya pada diri sendiri apakah ini akan menjadi solusi yang cocok untuk masalah saya. Saya memiliki harga komoditas berbeda dan harga produk dibuat dari mereka. Semua data mentah adalah non-stasioner tetapi melalui perbedaan orde pertama mereka semua menjadi data stasioner. ADF, KPSS menunjukkan ini. (Ini berarti saya telah menguji integrasi, kan?).
Pertanyaan saya sekarang adalah: Bagaimana cara saya menerapkan ini dengan fungsi auto.arima DAN apakah ARIMA pendekatan yang benar? Beberapa ppl sudah menyarankan saya untuk menggunakan VAR, tetapi apakah mungkin dengan ARIMA juga?
Tabel berikut adalah data saya. Sebenarnya set data naik hingga 105 pengamatan, tetapi 50 yang pertama akan dilakukan. Tren dan musiman jelas menarik di sini.
Terima kasih atas saran dan bantuannya! Georg
sumber
Jawaban:
Jika regresi eksternal Anda bersifat kausal untuk , tetapi tidak sebaliknya dan tidak menyebabkan satu sama lain, maka ARIMA pasti tepat. VAR masuk akal jika rangkaian waktu Anda yang berbeda semuanya bergantung satu sama lain.y
Agar
auto.arima()
dapat bekerja dengan regressor eksternal, kumpulkan regressor Anda ke dalam sebuah matriksX
, yang Anda masukkan ke dalamxreg
parameterauto.arima()
. (Tentu saja,X
harus memiliki jumlah baris yang sama dengan deret waktu yangy
Anda modelkan.)Untuk peramalan, Anda akan memerlukan nilai masa depan dari para regressor Anda, yang kemudian Anda masukkan lagi ke dalam
xreg
parameterforecast
.Halaman bantuannya adalah
?auto.arima
dan?forecast.Arima
(perhatikan ibukota A - ini bukan salah ketik. Jangan tanya saya ...).sumber