R或其他软件中的加权ARIMA
我正在使用R中的forecast包进行时间序列预测。我有5年的历史，我想预测未来3个月。我注意到，如果我在训练集中只使用最近2-3年的数据，那么预测结果比全部使用5年要好。我相信这是因为ARIMA算法5年前发现的模式不再适用于预测未来R或其他软件中的加权ARIMA,r,time-series,forecasting,R,Time Series,Forecasting,我正在使用R中的forecast包进行时间序列预测。我有5年的历史，我想预测未来3个月。我注意到，如果我在训练集中只使用最近2-3年的数据，那么预测结果比全部使用5年要好。我相信这是因为ARIMA算法5年前发现的模式不再适用于预测未来 与其完全消除很久以前的数据，还不如减少这些数据的权重？目前在预测中没有这样的选项，但是有没有办法解决这个问题，或者有其他的软件包呢？当方差发生变化并使用Tsay的测试进行识别时，权重实际上更适合 听起来您可以使用“levelshift”变量（即0,0,0,0,1,
与其完全消除很久以前的数据，还不如减少这些数据的权重？目前在预测中没有这样的选项，但是有没有办法解决这个问题，或者有其他的软件包呢？当方差发生变化并使用Tsay的测试进行识别时，权重实际上更适合 听起来您可以使用“levelshift”变量（即0,0,0,0,1,1,1,1，）。这将允许您仍然保持季节性和一周中的某一天的影响，但也会对平均值的变化作出反应。你也应该留意异常值的变化、趋势的变化和季节性的变化，因为周一可能是低的，也可能是高的。您还应该考虑提前和滞后影响的假期、月日影响和长周末 Ruey Tsay跟进了Box和Tiao关于异常值的工作，您可以在这里阅读www.unc.edu/~jbhill/Tsay.pdf 自从你问起，我们的软件叫做Autobox，自动完成这些功能，于1976年推出。
www.autobox.com如果任何参数随时间发生变化，也包含在autobox中的Chow测试实际上会进行挖掘。如果如您所断言的，过去2-3年的ARIMA结构与以前不同，AUTOBOX将建议进行数据分割。如果您想继续使用此功能，请联系自动预测系统的人员。顺便说一句，我已经为他们编写了这些程序。我认为对于交叉验证来说，这可能是一个更好的问题。不过，在这些情况下，模型平均法尤其有效。以最简单的形式，构建两个模型。第一种方法将使用最近两三年的数据来估计模型参数；第二个将使用完整的数据集。一旦你有了这两个预测，就把它们结合起来。有许多先进的技术，但一个简单的平均值往往效果很好。