我生成了自己虚构的销售数据以执行时间序列分析。
它应该代表一家成长中的公司，因此我与趋势合作。但是，我阅读了一些教程并经常阅读信息，即 auto.arima 函数不应预测非平稳时间序列。
但是我收到了有意义的结果，如果我要区分数据（我也是这样做的），输出就没有多大意义。
所以我的问题来了：我可以对auto.arima我的数据使用这个函数吗，这显然有一个趋势？
最好的问候并提前致谢，弗朗西斯科
eps <- rnorm(100, 30, 20)
trend <- seq(1, 100, 1)
trend <- 3 * trend
Sales <- trend + eps
timeframe<-seq(as.Date("2008/9/1"),by="month",length.out=100)
Data<-data.frame(Sales,timeframe)
plot(Data$timeframe,Data$Sales)
ts=ts(t(Data[,1]))
plot(ts[1,],type='o',col="black")
md=rwf(ts[1,],h=12,drift=T,level=c(80,95))
auto.arima(ts[1,])
使用预测函数，我们可以绘制下一年的预期销售额： plot(forecast(auto.arima(ts[1,]),h=12))
将预测功能与我们的自动化 ARIMA 结合使用可以帮助我们计划下一个季度
forecast(auto.arima(ts[1,]),h=4)
plot(forecast(auto.arima(ts[1,])))
另一种方法是使用自动绘图功能
fc<-forecast(ts[1,])
autoplot(fc)
下一步是分析我们的时间序列。我执行adf test，它具有数据非平稳的零假设。因此，对于 5% 的默认阈值，我们的 p 值必须大于 0.05 才能被证明是非平稳的。
library(tseries)
adf=adf.test(ts[1,])
adf
输出表明数据是非平稳的：
acf
acf=Acf(ts[1,])
Acf(ts[1,])
自相关几乎稳步下降，这也指向非平稳数据。做 akpss.test应该验证我们的数据是非平稳的，因为它的零假设与 adf 测试相反。
我们是否期望值小于 0.05
kpss=kpss.test(ts[1,])
kpss
我们得到 0.01 的 p 值，进一步证明数据有趋势
ndiffs(ts[1,]) …