在R中手动进行ARIMA预测 rm(list=ls()) 猫(“\f”) #加载此分析所需的库 图书馆(fpp) 图书馆(预测) #进口美国消费数据 数据(美国消费) #拟合特定的ARIMA模型(2,0,1) 适合它不工作怎么办?你得到了什么?你期望得到什
在R中手动进行ARIMA预测在R中手动进行ARIMA预测 rm(list=ls()) 猫(“\f”) #加载此分析所需的库 图书馆(fpp) 图书馆(预测) #进口美国消费数据 数据(美国消费) #拟合特定的ARIMA模型(2,0,1) 适合它不工作怎么办?你得到了什么?你期望得到什,r,arima,R,Arima,在R中手动进行ARIMA预测 rm(list=ls()) 猫(“\f”) #加载此分析所需的库 图书馆(fpp) 图书馆(预测) #进口美国消费数据 数据(美国消费) #拟合特定的ARIMA模型(2,0,1) 适合它不工作怎么办?你得到了什么?你期望得到什么?我们不是魔术师,所以制作一个可复制的例子很有帮助。 rm(list = ls()) cat("\f") # Load the required libraries for this analysis librar
rm(list=ls())
猫(“\f”)
#加载此分析所需的库
图书馆(fpp)
图书馆(预测)
#进口美国消费数据
数据(美国消费)
#拟合特定的ARIMA模型(2,0,1)
适合它不工作怎么办?你得到了什么?你期望得到什么?我们不是魔术师,所以制作一个可复制的例子很有帮助。
rm(list = ls())
cat("\f")
# Load the required libraries for this analysis
library(fpp)
library(forecast)
# Import US Consumption Data
data(usconsumption)
# Fit a specific ARIMA Model (2,0,1)
fit <- Arima(usconsumption[,"consumption"],
xreg=usconsumption[,"income"],
order=c(2,0,1))
fit
# Collect Actual, Fitted and Residuals in One Data Frame
ci<-data.frame(date=time(usconsumption), Y=as.matrix(usconsumption))
# Get the model fitted values
ci$forecasted=fit$fitted
# Model Residuals
ci$residual=fit$residuals
########################################################################
# Manually Compute Predicted Values to compare with ci$forecasted values
########################################################################
ci$computed<-((1-0.3882-0.2487)*-0.5672)+
(0.3882*lag(ci$Y.consumption,1))+
(0.2487*lag(ci$Y.consumption,2))+
(0.2802*lag(ci$residual,1))+
(0.2519*(ci$Y.income))