Auto.arima()函数不会产生白噪声.我还应该如何建模数据

2019年7月2日 361次阅读

这是初始数据的图(执行日志转换后).
《Auto.arima()函数不会产生白噪声.我还应该如何建模数据》

很明显,既有线性趋势,也有季节性趋势.我可以通过取第一个和第十二个(季节性)差异来解决这两个问题：diff(diff(data),12).完成后,这是结果数据的图

《Auto.arima()函数不会产生白噪声.我还应该如何建模数据》 .

这些数据看起来不太好.虽然平均值不变,但随着时间的推移,我们会看到漏斗效应.以下是ACF / PACF：《Auto.arima()函数不会产生白噪声.我还应该如何建模数据》 .

任何可能适合尝试的建议.我使用了auto.arima()函数,它建议使用ARIMA(2,0,2)xARIMA(1,0,2)(12)模型.然而,一旦我从合体中取出残余物,很明显它们中仍然存在某种结构.以下是拟合残差的图以及残差的ACF / PACF.
《Auto.arima()函数不会产生白噪声.我还应该如何建模数据》

关于哪些滞后在ACF / PACF残差中出现峰值似乎没有季节性模式.但是,这仍然是前面步骤未捕获的内容.你有什么建议我这样做？我怎样才能建立一个更好的模型诊断模型(此时只是一个更好看的ACF和PACF)？

这是我到目前为止的简化代码：

    library(TSA)
    library(forecast)
    beer <- read.csv('beer.csv', header = TRUE)
    beer <- ts(beer$Production, start = c(1956, 1), frequency = 12)

    # transform data
    boxcox <- BoxCox.ar(beer) # 0 in confidence interval
    beer.log <- log(beer)
    firstDifference <- diff(diff(beer.log), 12) # get rid of linear and 
    # seasonal trend
    acf(firstDifference)
    pacf(firstDifference)
    eacf(firstDifference)
    plot(armasubsets(firstDifference, nar=12, nma=12))

    # fitting the model
    auto.arima(firstDifference, ic = 'bic') # from forecasting package
    modelFit <- arima(firstDifference, order=c(1,0,0),seasonal
    =list(order=c(2, 0, 0), period = 12))

    # assessing model
    resid <- modelFit$residuals                     
    acf(resid, lag.max = 15)
    pacf(resid, lag.max = 15)

这是数据,如果有兴趣(我想你可以使用html到csv转换器,如果你想)：https://docs.google.com/spreadsheets/d/1S8BbNBdQFpQAiCA4J18bf7PITb8kfThorMENW-FRvW4/pubhtml

最佳答案简,

这里有一些事情发生.

我们使用tsay方差检验代替记录,这表明方差118后方差增加.加权最小二乘法处理它.

《Auto.arima()函数不会产生白噪声.我还应该如何建模数据》