Cómo utilizar la Dinámica de los modelos de Regresión de R para pronosticar las ventas futuras

Question

Quiero previsión de las ventas de tener 2 variables independientes x1 y x2. Quiero elegir entre diferentes combinaciones y los gal, e.g:

ventas ~ x1

ventas ~ gal(x1,-1)

ventas ~ gal(x1,-1) + ar(x2,-1)

etc ...

Hago uso de la función auto.arima(ventas, xreg=c(x1,x2)) en R.

Mis preguntas son:

i) ¿Cuál es la mejor manera de elegir el modelo más apropiado para la previsión?

ii) las quiero a las previsiones de ventas, digamos, para el conjunto de 2018. ¿Tengo que por separado previsión de x1 y x2 y el uso de estas previsiones como insumos para el modelo de regresión? Es este el enfoque correcto?

¿Este proceso de previsión de los predictores y, a continuación, utilizando los pronósticos como insumos para el modelo de regresión tiene un nombre específico?

Answer 1

1. ¿Cuál es la mejor manera de elegir el modelo más apropiado para la previsión?

Un enfoque es 1.) configurar quedado predictores, 2.) ajuste auto.arima 3.) compare aicc

El siguiente es el código no probado, pero espero que útil

my_x1 <- cbind(
    Lag0 = df[,"x1"],
    Lag1 = stats::lag(df[,"x1"],-1),
    Lag2 = stats::lag(df[,"x1"],-2),
    Lag3 = stats::lag(df[,"x1"],-3)) %>%
  head(NROW(df))

my_x2 <- cbind(
    Lag0 = df[,"x2"],
    Lag1 = stats::lag(df[,"x2"],-1),
    Lag2 = stats::lag(df[,"x2"],-2),
    Lag3 = stats::lag(df[,"x2"],-3)) %>%
  head(NROW(df))

# Restrict data so models use same fitting period
fit1 <- auto.arima(df[4:40,1], xreg=c(my_x1[4:40,1], my_x2[4:40,1]),
  stationary=TRUE)
fit2 <- auto.arima(df[4:40,1], xreg=c(my_x1[4:40,1:2], my_x2[4:40,1:2]),
  stationary=TRUE)
fit3 <- auto.arima(df[4:40,1], xreg=c(my_x1[4:40,1:3], my_x2[4:40,1:3]),
  stationary=TRUE)
fit4 <- auto.arima(df[4:40,1], xreg=c(my_x1[4:40,1:4], my_x2[4:40,1:4]),
  stationary=TRUE)

c(fit1[["aicc"]],fit2[["aicc"]],fit3[["aicc"]],fit4[["aicc"]])

leer más aquí

2. Quiero previsión de ventas, digamos, para el conjunto de 2018. ¿Tengo que por separado previsión de x1 y x2 y el uso de estas previsiones como insumos para el modelo de regresión? Es este el enfoque correcto?

Puede ser que tu mejor opción es la instalación de algún escenario de previsión. Por ejemplo, si x1 aumentó 5%, a continuación, el pronóstico sería sales_y. Pronosticar sus predictores, a continuación, utilizar esos pronósticos para la previsión de las ventas aumenta la posibilidad de error.

leer más aquí

3. ¿Este proceso de previsión de los predictores y, a continuación, utilizando los pronósticos como insumos para el modelo de regresión tiene un nombre específico?

A menos que usted está haciendo "escenario de previsión" como se describió anteriormente, creo que algunos meteorólogos llamaría a los procesos de construcción de los pronósticos fuera de los pronósticos no se recomienda, pero tal vez hay otras personas en este foro que puede proporcionar una visión más completa de este enfoque.

Answer 2

Esta es una clase avanzada de la respuesta a su pregunta donde dinámica de regresión estructura se identifica y diagnóstico de errores se incorporan a refinar provisional de los modelos.

1. Siga http://www.math.cts.nthu.edu.tw/download.php?filename=569_fe0ff1a2.pdf&dir=publish&title=Ruey+S.+Tsay-Lec1 y https://onlinecourses.science.psu.edu/stat510/node/75 para formar una Función de Transferencia.

2. Siga http://docplayer.net/12080848-Outliers-level-shifts-and-variance-changes-in-time-series.html posiblemente para identificar anomalías (legumbres,nivel shiifts, de temporada, legumbres) y los posibles determinista de la varianza de error de cambio.

3. Revisión de la función de Transferencia en el pronóstico de los modelos de interpretación y http://svds.com/avoiding-common-mistakes-with-time-series/ para averiguar por qué ols métodos para identificar un tf son ser evitado

4. estudio http://www.autobox.com/cms/index.php/afs-university/autobox-examples/modeling-with-autobox/ paaticularly la sección 4 y el diagrama de flujo

5. Finalmente, cuando se predicen el uso de monte carlo métodos que permitan a los futuros posibles anomalías en orden a la obtención de significativas intervalos de predicción.