将ARIMA模型拟合到多个时间序列并将预测存储到矩阵中

因为它太大了，我不能把它放在这里。但是假设

realmatrix

是一个具有非平凡值的“mts”

realmatrix <- matrix(NA, ncol = 100, nrow = 138)

但我得到了以下信息：

---

farimamatrix[，i]中的错误是的，以前的问题消失了，现在您有了一个新问题，关于

Arima

的故障。严格地说，你应该就此提出一个新问题。但无论如何，我会在这里回答

这个错误消息非常具有说明性。拟合模型时，有时季节部分是非平稳的，因此需要进一步的季节差异

通过查看

ts.plot（realmatrix）

，我发现

realmatrix

的所有100列都非常相似。因此，我将抽出第一列进行一些分析

x <- realmatrix[,1]

事实上，我们发现了强有力的证据，证明了季节性模式。因此，是的，需要季节性差异

现在，让我们检查两次差分后的ACF：

acf(diff(diff(x, lag = 12)))  ## first do seasonal diff, then non-seasonal diff

季节之间似乎出现负峰值，表明存在季节性MA过程。因此，

ARIMA（0,1,0）（0,1,1）[12]

将是一个不错的选择

fit <- arima(x, order = c(0,1,0), seasonal = c(0,1,1))

事实上，我对这个结果非常满意，因为根本没有滞后1甚至滞后2的自相关，也没有季节性的自相关。实际上，您可以尝试进一步添加季节性和/或非季节性AR（1），但不会有任何改进。这是我们的最终模型

因此，请使用以下循环：

farimamatrix <- matrix(NA, nrow = 12, ncol = 100)

m <- k <- list()

for (i in 1:100) {
  try(m[[i]] <- Arima(realmatrix[,i], order = c(0,1,0), seasonal = c(1,0,1)))
  k[[i]] <- forecast.Arima(m[[i]], h=12)
  farimamatrix[,i] <- fitted(k[[i]])
  }

farimamatrix <- matrix(NA, ncol = 100, nrow = 12)

m <- k <- vector("list", length = 100)

for (i in 1:100) {
  m[[i]] <- Arima(realmatrix[,i], order = c(0,1,0), seasonal = c(0,1,1))
  print(i)
  k[[i]] <- forecast.Arima(m[[i]], h = 12)
  farimamatrix[,i] <- k[[i]]$mean
  }

---

是的，基本的季节性模式是真正的复制，当然是固定的。

（1）您能粘贴来自

dput（head（realmatrix，20））

的输出吗（或者给我们一个仍然会产生错误消息的假矩阵），以便我们重现您的问题？看见（2）

fitted（）

将为您提供长度为nrow（realmatrix）的向量，但是

farimamatrix

有12行。farimamatrix的所需内容是什么？“这是预测吗？”卫黄王肯定。（1） 我已经在编辑后的帖子中加入了dput。（2） 是的，farimatrix的目的是存储每个拟合arima的预测（12行/月）。没有所有库语句，代码是不完整的。

realmatrix

似乎是一个向量，基于

dput

——对吗？这让我很困惑，因为脚本中的对象名和

realmatrix[，i]

都向我暗示它应该是一个矩阵。它确实是一个矩阵。它存储100个长度（行）=138的时间序列（从2005年1月到2016年6月）。我想将arima预测（12个月前：即2016年7月至2017年6月）存储在另一个矩阵中（自然应该有12行100列）

acf(diff(diff(x, lag = 12)))  ## first do seasonal diff, then non-seasonal diff

fit <- arima(x, order = c(0,1,0), seasonal = c(0,1,1))

acf(fit$residuals)

farimamatrix <- matrix(NA, ncol = 100, nrow = 12)

m <- k <- vector("list", length = 100)

for (i in 1:100) {
  m[[i]] <- Arima(realmatrix[,i], order = c(0,1,0), seasonal = c(0,1,1))
  print(i)
  k[[i]] <- forecast.Arima(m[[i]], h = 12)
  farimamatrix[,i] <- k[[i]]$mean
  }

seasonal <- rep_len(sin((1:12) * pi / 6), 138)