這篇文章主要介紹“R基于ARIMA模型的方法怎么用”的相關(guān)知識，小編通過實(shí)際案例向大家展示操作過程，操作方法簡單快捷，實(shí)用性強(qiáng)，希望這篇“R基于ARIMA模型的方法怎么用”文章能幫助大家解決問題。
創(chuàng)新互聯(lián)公司長期為上千家客戶提供的網(wǎng)站建設(shè)服務(wù)，團(tuán)隊從業(yè)經(jīng)驗10年，關(guān)注不同地域、不同群體，并針對不同對象提供差異化的產(chǎn)品和服務(wù)；打造開放共贏平臺，與合作伙伴共同營造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為額敏企業(yè)提供專業(yè)的成都做網(wǎng)站、成都網(wǎng)站建設(shè)，額敏網(wǎng)站改版等技術(shù)服務(wù)。擁有十年豐富建站經(jīng)驗和眾多成功案例,為您定制開發(fā)。
1、平穩(wěn)性檢驗
2、差分運(yùn)算
二階差分后繼續(xù)做白噪聲的檢驗，檢驗的數(shù)據(jù)結(jié)果如下。
3、模型定階
4、ARIMA模型預(yù)測
重慶分公司
重慶分公司
#ARIMA模型Ｒ程序library(forecast)library(fUnitRoots)Data <- read.csv("C:\\Users\\27342\\Desktop\\河南省社會消費(fèi)品零售總額數(shù)據(jù).csv", header = TRUE)[, 2]sales <- ts(Data)plot.ts(sales, xlab = "年份", ylab = "社會消費(fèi)品零售總額/億元")# 單位根檢驗unitrootTest(sales)# 自相關(guān)圖acf(sales)# 一階差分difsales <- diff(sales)plot.ts(difsales, xlab = "年份", ylab = "社會消費(fèi)品零售總額/億元")# 二階差分difsales <- diff(difsales)plot.ts(difsales, xlab = "年份", ylab = "社會消費(fèi)品零售總額/億元")# 自相關(guān)圖acf(difsales)# 單位根檢驗unitrootTest(difsales) # 白噪聲檢驗Box.test(difsales,type="Ljung-Box")# 偏自相關(guān)圖pacf(difsales)# ARIMA(1,1,0)模型arima <- arima(sales, order = c(1, 1,0))arima #河南省社會消費(fèi)品零售總額預(yù)測forecast <- forecast(arima, h = 5, level= c(99.5))forecast library(TSA)Data <-read.csv("C:\\Users\\27342\\Desktop\\河南省社會消費(fèi)品零售總額數(shù)據(jù).csv", header = TRUE)[, 2]sales <- ts(Data)plot.ts(sales, xlab = "年份", ylab = "社會消費(fèi)品零售總額/億元")# 一階差分difsales <- diff(sales) # 二階差分difsales <- diff(difsales) # BIC圖res <- armasubsets(y = difsales, nar =5, nma = 5, y.name = 'test',ar.method = 'ols')plot(res) 關(guān)于“R基于ARIMA模型的方法怎么用”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識，可以關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，小編每天都會為大家更新不同的知識點(diǎn)。
