用R做时间序列分析之ARIMA模型预测

第一步.对原始数据进行分析

一.ARIMA预测时间序列

指数平滑法对于预测来说是非常有帮助的，而且它对时间序列上面连续的值之间相关性没有要求。但是，如果你想使用指数平滑法计算出预测区间，那么预测误差必须是不相关的， 而且必须是服从零均值、 方差不变的正态分布。即使指数平滑法对时间序列连续数值之间相关性没有要求，在某种情况下，我们可以通过考虑数据之间的相关性来创建更好的预测模型。自回归移动平均模型（ ARIMA） 包含一个确定（explicit）的统计模型用于处理时间序列的不规则部分，它也允许不规则部分可以自相关。

二.确定数据的差分

ARIMA 模型为平稳时间序列定义的。 因此， 如果你从一个非平稳的时间序列开始，首先你就需要做时间序列差分直到你得到一个平稳时间序列。如果你必须对时间序列做 d 阶差分才能得到一个平稳序列，那么你就使用ARIMA(p,d,q)模型，其中 d 是差分的阶数。
以每年女人裙子边缘的直径做成的时间序列数据为例。
先导入数据：
###导入在线数据，并跳过前5行
skirts <- scan(“http://robjhyndman.com/tsdldata/roberts/skirts.dat”,skip=5)
skirts<- ts(skirts,start = c(1866)) #设定时间1866开始
plot.ts(skirts) #画出图
键入下面的代码来得到时间序列（数据存于“skirtsts”） 的一阶差分， 并画出差分序列的图:
skirtsdiff<-diff(skirts,differences=1) 　 #一阶差分
plot.ts(skirtsdiff) 　 #画图
二次差分（上面）后的时间序列在均值和方差上确实看起来像是平稳的， 随着时间推移，时间序列的水平和方差大致保持不变。

第二步，找到合适的ARIMA模型

如果你的时间序列是平稳的，或者你通过做 n 次差分转化为一个平稳时间序列， 接下来就是要选择合适的 ARIMA模型，这意味着需要寻找 ARIMA(p,d,q)中合适的 p 值和 q 值。为了得到这些，通常需要检查[平稳时间序列的（自）相关图和偏相关图。
我们使用 R 中的“acf()”和“pacf” 函数来分别（自） 相关图和偏相关图。“acf()”和“pacf 设定“plot=FALSE” 来得到自相关和偏相关的真实值。
acf(skirtsdiff2,lag.max=20)
acf(skirtsdiff2,lag.max=20,plot=FALSE)
自相关图显示滞后1阶自相关值基本没有超过边界