溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹“R基于ARIMA模型的方法怎么用”的相關知識，小編通過實際案例向大家展示操作過程，操作方法簡單快捷，實用性強，希望這篇“R基于ARIMA模型的方法怎么用”文章能幫助大家解決問題。
1、平穩性檢驗
2、差分運算
二階差分后繼續做白噪聲的檢驗，檢驗的數據結果如下。
3、模型定階
4、ARIMA模型預測
#ARIMA模型Ｒ程序library(forecast)library(fUnitRoots)Data <- read.csv("C:\\Users\\27342\\Desktop\\河南省社會消費品零售總額數據.csv", header = TRUE)[, 2]sales <- ts(Data)plot.ts(sales, xlab = "年份", ylab = "社會消費品零售總額/億元")# 單位根檢驗unitrootTest(sales)# 自相關圖acf(sales)# 一階差分difsales <- diff(sales)plot.ts(difsales, xlab = "年份", ylab = "社會消費品零售總額/億元")# 二階差分difsales <- diff(difsales)plot.ts(difsales, xlab = "年份", ylab = "社會消費品零售總額/億元")# 自相關圖acf(difsales)# 單位根檢驗unitrootTest(difsales) # 白噪聲檢驗Box.test(difsales,type="Ljung-Box")# 偏自相關圖pacf(difsales)# ARIMA(1,1,0)模型arima <- arima(sales, order = c(1, 1,0))arima #河南省社會消費品零售總額預測forecast <- forecast(arima, h = 5, level= c(99.5))forecast library(TSA)Data <-read.csv("C:\\Users\\27342\\Desktop\\河南省社會消費品零售總額數據.csv", header = TRUE)[, 2]sales <- ts(Data)plot.ts(sales, xlab = "年份", ylab = "社會消費品零售總額/億元")# 一階差分difsales <- diff(sales) # 二階差分difsales <- diff(difsales) # BIC圖res <- armasubsets(y = difsales, nar =5, nma = 5, y.name = 'test',ar.method = 'ols')plot(res)
關于“R基于ARIMA模型的方法怎么用”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識，可以關注億速云行業資訊頻道，小編每天都會為大家更新不同的知識點。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
