全文连接:http://tecdat.cn/?p=6078
原文出处:拓端数据部落公众号
混合预测 - 单模型预测的平均值 - 通常用于产生比任何预测模型更好的点估计。本文展示了如何为混合预测构建预测区间,这种预测的覆盖范围比最常用的预测区间更准确(即80%的实际观测结果在80%置信区间内)。
预测区间
预测的问题是在预测组合中使用的预测区间。预测区间是与置信区间相似但不相同的概念。预测区间是对尚未知但将在未来的某个点观察到的值(或更确切地说,可能值的范围)的估计。而置信区间是对基本上不可观察的参数的可能值范围的估计。预测区间需要考虑模型中的不确定性,模型中参数的不确定估计(即那些参数的置信区间),以及与预测的特定点相关联的随机性。
混合预测
我结合auto.arima()
ets()
,有效地进行混合预测。为了更方便,我创建了一个混合预测并生成forecast
类对象的函数。
library(forecast)
深灰色区域是80%预测区间,浅灰色区域是95%预测区间。
测试M3
结果如下:
变量 | 准确度 |
---|---|
ets_p80 | 0.75 |
ets_p95 | 0.90 |
auto.arima_p80 | 0.74 |
auto.arima_p95 | 0.88 |
hybrid_p80 | 0.83 |
hybrid_p95 | 0.94 |
混合方法接近预期的准确率,而两个预测区间ets()
和auto.arima()
效果不太好。
以下是我在M3数据上测试的方法。我构建了一个函数accuracy
来帮助,它利用了类预测对象返回一个名为“lower”的矩阵和另一个名为“upper”的矩阵,每个预测区间都有一列。
#------------------安装------------------------
library(forecast)
ly = "myfont"))
pi_accuracy <- function(fc, yobs){
# 检查类的对象的预测间隔是否成功
In <- (yobsm
}
实际上拟合所有预测相对简单。
#============使用默认值进行预测===============
num_series <- length(M3) # ie 3003
results <- matrix(0, nrow = num_series, ncol = 7)
for(i in 1:num_series){
cat(i, " ") # 循环过程
series <- M3[[i]]
ccess
fc1 <- fc3$fc_ets
r
geom_smooth(se = FALSE, method = "lm") +
theme(panel.grid.minor = element_blank())
预测
变量 | 准确度 |
---|---|
ets_p80 | 0.72 |
ets_p95 | 0.88 |
auto.arima_p80 | 0.70 |
auto.arima_p95 | 0.86 |
hybrid_p80 | 0.80 |
hybrid_p95 | 0.92 |
#=====用Bootstrapping算法代替预测区间=============
num_series <- length(M3)
resultsb <- matrix(0, nrow = num_series, ncol = 7)
for(i in 1:num_series){
cat(i, " ")
gather(variable, value, -h) %>%
mutate(weighted_val ighted_value) / sum(h), 2))
结论
- 根据M3数据进行测试,通过组合
ets()
auto.arima()
形成的预测达到期望的水平,即80%预测区间在80%的时间内包含真值,95%的预测区间包含不到95%的时间的真值。