R에 여러 외생 변수가있는 Arima 시계열 예측 (auto.arima)

여러 외생 변수가있는 여러 시계열 ARIMA 모델을 기반으로 예측을 수행하고 싶습니다. 통계 나 RI가 유지하고 싶지 않은 기술에 대해서는 그다지 간단하지 않기 때문에 (3 개월 동안의 예측은 충분합니다).

나는 1 개의 종속 시계열과 3-5 개의 예측 변수 시계열, 모든 월간 데이터, 간격이없고 같은 시간 "수평선"이 있습니다.

auto.arima 함수가 발생하여 이것이 내 문제에 적합한 솔루션인지 스스로에게 물었습니다. 상품 가격과 상품 가격이 다릅니다. 모든 원시 데이터는 고정적이지 않지만 1 차 차이를 통해 모두 고정 데이터가됩니다. ADF, KPSS가이를 나타냅니다. (이것은 통합 테스트를 마쳤 음을 의미합니다.)

내 질문은 지금 : auto.arima 함수로 이것을 어떻게 적용하고 ARIMA가 어쨌든 올바른 접근법입니까? 일부 ppl은 이미 VAR을 사용하도록 조언했지만 ARIMA에서도 가능합니까?

다음 표는 내 데이터입니다. 실제로 데이터 세트는 105 개의 관측치까지 올라가지 만 처음 50 개는 그럴 것입니다. 계절성뿐만 아니라 트렌드도 여기에 관심이 있습니다.

여기에 이미지 설명을 입력하십시오

조언과 도움을 주셔서 감사합니다! 게오르그

r time-series arima

— 성 조지
소스

데이터를 다운로드 할 수 있도록 게시하십시오. 엑셀을 사용하십시오. 이것은 단순히 불필요한 (상관적으로 상호 상관 된) 입력 시리즈를 식별하는 작업 일 수 있습니다. VAR이 필요

— 하거나이

$y$

auto.arima()외부 회귀 분석기 를 사용 하려면 회귀 분석기를 모수에 모아서 매개 변수에 X넣습니다 . (물론 모델링하는 시계열과 동일한 수의 행을 가져야합니다 .)xregauto.arima()Xy

예측을 위해서는 회귀 변수 의 미래 값 이 필요하며,이 값은 다시 xreg매개 변수에 입력 forecast됩니다.

도움말 페이지는 다음 ?auto.arima과 ?forecast.Arima(자본 A를 주 -이 오타 아니지만 ... 부탁하지 마십시오.).

— 스테판 콜라 사
소스

(+1) 인과 관계에 대한 아이디어와 테스트 방법에 대해 조금 자세히 설명 할 수 있습니다. ARIMA를 사용하기로 한 결정은 변수 간의 인과 관계에 의해 결정된다는 점을 언급 했으므로 답의 완성에 도움이 될 수 있습니다. 예를 들어 Granger 인과 관계 테스트 또는 Hausman 테스트에 대해 생각하고 있습니까? 감사.

— javlacalle

@ javlacalle : 나는 인과 관계에 대한 통계 테스트에 열광하지 않습니다 (Granger 테스트가 가장 잘 알려져 있음). 나는 주제에 근거한 "가능한 인과성"에 대해 결정하는 것을 선호한다. 예를 들어, 가격 인하로 슈퍼마켓 판매가 증가하는지 아니면 다른 방법으로 증가 하는지를 평가하기 위해 Granger 테스트를 사용하지 않을 것입니다. 또한 GDP, 환율 및 일자리 창출이 서로 인과 관계가 없는지 여부. 두 경우 모두 그 문제는 충분히 명백해 보이며 이론에 따른 테스트는 우리에게 아무 것도 가르쳐주지 않을 것이지만 이론과 모순되는 테스트는 혼동 될뿐입니다 (아마도 소음 이상).

— Stephan Kolassa

... 나는 ;-) 내 마지막 코멘트와 함께 화염에 자신을 개방하고있어 알고

— 스테판 Kolassa

@ Stephan : 입력 해 주셔서 감사합니다. 내 y는 다른 방식이 아닌 내 회귀 자에 의해 결정되지만, 내 회귀자는 서로 확실히 상관 관계가 있으며 서로에게 직접적인 영향을 미칩니다. 귀하의 의견에 따르면, 이것은 arima 대신 VAR을 사용해야한다는 것을 의미합니다. 문제를 피할 수 있기 때문입니다 (?). 나는 여기서 기본적으로 모든 것이 특정 지점까지 서로 관련되어있는 상품 / 제품 가격 번들을 사용하고 있습니다. "원재료"는 나의 Y, 가치 사슬의 제품 및 부가 제품 등이 나의 예측 자입니다.

— George

데이터의 맥락을 아는 것이 항상 도움이되고 분석 결과 는 사전 지식 과 비교되어야합니다 . 그럼에도 불구하고 약간의주의가 필요하다. 직관은 때때로 실패하고 때로는 당연한 것으로 여겨지는 이론은 사실에 의해 뒷받침되지 않는 가정에 의존합니다. 그러나 나는 당신이 의미하는 바를 이해하고 전반적으로 동의합니다.

— javlacalle