আমি পরিসংখ্যানগুলিতে মোটামুটি নতুন এবং আর। আমি আমার ডেটাসেটের জন্য আরিমা পরামিতিগুলি নির্ধারণ করার প্রক্রিয়াটি জানতে চাই। আপনি কি আমাকে আর তাত্ত্বিকভাবে (যদি সম্ভব হয়) ব্যবহার করে এটি নির্ণয় করতে সহায়তা করতে পারেন?
ডেটাটি জানুয়ারি -12 থেকে মার্চ -14 পর্যন্ত রয়েছে এবং মাসিক বিক্রয়কে চিত্রিত করে। এখানে ডেটা সেট করা আছে:
99 58 52 83 94 73 97 83 86 63 77 70 87 84 60 105 87 93 110 71 158 52 33 68 82 88 84
এবং এখানে প্রবণতা:
ডেটা কোনও প্রবণতা, মৌসুমী আচরণ বা চক্রবৃদ্ধি প্রদর্শন করে না।
উত্তর:
সাধারণভাবে, বক্স, জেনকিনস এবং রিইনসেল দ্বারা টাইম সিরিজ বিশ্লেষণের মতো একটি উন্নত সময়ের সিরিজ বিশ্লেষণ পাঠ্যপুস্তকটি (প্রবর্তনামূলক বইগুলি আপনাকে কেবলমাত্র আপনার সফ্টওয়্যারটিতে বিশ্বাসের জন্য পরিচালিত করবে) খনন করুন। আপনি গুগল করে বক্স-জেনকিনস পদ্ধতিতে বিশদ জানতে পারেন। দ্রষ্টব্য যে বাক্স-জেনকিন্স ছাড়াও অন্যান্য পদ্ধতি রয়েছে, যেমন, এআইসি-ভিত্তিক।
আর-তে, আপনি প্রথমে আপনার ডেটাটিকে ts(সময়ের সিরিজ) অবজেক্টে রূপান্তর করেন এবং আরকে জানান যে ফ্রিকোয়েন্সিটি 12 (মাসিক ডেটা):
require(forecast)
sales <- ts(c(99, 58, 52, 83, 94, 73, 97, 83, 86, 63, 77, 70, 87, 84, 60, 105, 87, 93, 110, 71, 158, 52, 33, 68, 82, 88, 84),frequency=12)
আপনি (আংশিক) স্বতঃসিদ্ধকরণ ফাংশন প্লট করতে পারেন:
acf(sales)
pacf(sales)
এগুলি কোনও এআর বা এমএ আচরণের পরামর্শ দেয় না।
তারপরে আপনি একটি মডেল ফিট করে এবং এটি পরীক্ষা করেন:
model <- auto.arima(sales)
model
?auto.arimaসাহায্যের জন্য দেখুন । যেমনটি আমরা দেখি, auto.arimaএকটি সাধারণ (0,0,0) মডেল চয়ন করে, যেহেতু এটি আপনার ডেটাতে প্রবণতা বা মৌসুমীতা বা এআর বা এমএকে না দেখায়। শেষ অবধি, আপনি সময় সিরিজ এবং পূর্বাভাসের পূর্বাভাস এবং প্লট করতে পারেন:
plot(forecast(model))
দেখুন ?forecast.Arima(রাজধানী এ নোট করুন!)।
এই নিখরচায় অনলাইন পাঠ্যপুস্তকটি আর ব্যবহার করে সময় সিরিজ বিশ্লেষণ এবং পূর্বাভাসের দুর্দান্ত ভূমিকা Very
দুটি জিনিস.আপনার টাইম সিরিজটি মাসিক, আপনার বুদ্ধিমান আরিমা অনুমানের জন্য কমপক্ষে 4 বছরের ডেটা প্রয়োজন, প্রতিফলিত 27 পয়েন্টগুলি স্বতঃসংশ্লিষ্ট কাঠামো দেয় না। এর অর্থ এইও হতে পারে যে আপনার বিক্রয় তার নিজস্ব মূল্যের সাথে সম্পর্কিত হওয়ার পরিবর্তে কিছু বাহ্যিক কারণ দ্বারা প্রভাবিত হয়। কী কী উপাদান আপনার বিক্রয়কে প্রভাবিত করে এবং এটি সেই ফ্যাক্টরটি পরিমাপ করা হচ্ছে তা জানার চেষ্টা করুন। তারপরে পূর্বাভাস পাওয়ার জন্য আপনি একটি রিগ্রেশন বা ভিএআর (ভেক্টর অটোরগ্রেশন) চালাতে পারেন।
যদি আপনার কাছে এই মানগুলি ব্যতীত অন্য কোনও কিছু না থাকে তবে আপনার সর্বোত্তম উপায় হ'ল নির্ভুল পূর্বাভাস পাওয়ার জন্য একটি ঘন ঘন স্মুথ পদ্ধতি ব্যবহার করা। এক্সেফেনশনাল স্মুথিং আর এ উপলব্ধ।
দ্বিতীয়ত, বিচ্ছিন্নভাবে কোনও পণ্য বিক্রয় দেখতে পাবেন না, দুটি পণ্য বিক্রয় এর সাথে সম্পর্কযুক্ত হতে পারে উদাহরণস্বরূপ কফির বিক্রয় বৃদ্ধি চা বিক্রির হ্রাস প্রতিফলিত করতে পারে। আপনার পূর্বাভাস উন্নত করতে অন্য পণ্য তথ্য ব্যবহার করুন।
সাধারণত খুচরা বা সরবরাহ শৃঙ্খলে বিক্রয় ডেটার সাথে এটি ঘটে। তারা সিরিজের অনেকগুলি স্বতঃসংশ্লিষ্ট কাঠামো দেখায় না। অন্যদিকে যেমন অ্যারিমা বা জিআরচ পদ্ধতিগুলি সাধারণত শেয়ার বাজারের ডেটা বা অর্থনৈতিক সূচকগুলিতে কাজ করে যেখানে আপনার সাধারণত স্বতঃসংশ্লিষ্ট হয়।
এটি সত্যিই একটি মন্তব্য তবে এটি অনুমোদিত হিসাবে অতিক্রম করেছে তাই আমি এটিকে আধা-উত্তর হিসাবে পোস্ট করি কারণ এটি সময় সিরিজের ডেটা বিশ্লেষণের সঠিক উপায়ের পরামর্শ দেয়। ।
সুপরিচিত সত্য তবে প্রায়শই এখানে এবং অন্যত্র উপেক্ষা করা হ'ল তাত্ত্বিক এসিএফ / পিএসিএফ যা একটি টেন্টিটিভ আরিমা মডেল প্রাঙ্গণ কোনও ডাল / স্তর স্তর / মৌসুমী ডাল / স্থানীয় সময় প্রবণতা তৈরি করতে ব্যবহৃত হয়। অতিরিক্ত সময়ে এটি ধ্রুবক পরামিতি এবং সময়ের সাথে ধ্রুবক ত্রুটির বৈকল্পিকতা পরিবেশন করে। এক্ষেত্রে 21 তম পর্যবেক্ষণ (মান = 158) সহজেই একটি আউটলেট / পালস হিসাবে পতাকাঙ্কিত হয় এবং -80 এর প্রস্তাবিত সমন্বয়টি 78 এর পরিবর্তিত মান লাভ করে। সংশোধিত সিরিজের ফলাফল এসিএফ / পিএসিএফ স্টোকাস্টিক (এআরআইএমএ) গঠনের খুব কম বা প্রমাণ দেখায় না। এক্ষেত্রে অপারেশনটি সফল হয়েছিল তবে রোগী মারা গেল। নমুনা এসিএফ সমবায় / বৈকল্পিক উপর ভিত্তি করে এবং একটি অপ্রয়োজনীয় স্ফীত / প্রস্ফুটিত ভেরিয়েন্সটি ACF এর উপরের দিকে পক্ষপাতের ফলন করে। প্রফেসর কিথ অর্ড একবার এটিকে "অ্যালিস ইন ওয়ান্ডারল্যান্ড এফেক্ট" হিসাবে উল্লেখ করেছেন
এটি স্টিফান কোলাসার দ্বারা নির্দেশিত হিসাবে আপনার ডেটাতে খুব বেশি কাঠামো নেই। স্বতঃসিদ্ধকরণ ফাংশনগুলি একটি আরএমএ কাঠামোর পরামর্শ দেয় না (দেখুন acf(sales), pacf(sales)) এবং forecast::auto.arimaকোনও এআর বা এমএ অর্ডার পছন্দ করে না।
require(forecast)
require(tsoutliers)
fit1 <- auto.arima(sales, d=0, D=0, ic="bic")
fit1
#ARIMA(0,0,0) with non-zero mean
#Coefficients:
# intercept
# 81.3704
#s.e. 4.4070
তবুও, লক্ষ্য করুন যে অবশিষ্টাংশগুলিতে স্বাভাবিকতার নাল 5% তাত্পর্য পর্যায়ে প্রত্যাখ্যান করা হয়।
JarqueBera.test(residuals(fit1))[[1]]
#X-squared = 12.9466, df = 2, p-value = 0.001544
পাশাপাশি নোট: প্যাকেজে উপলব্ধ JarqueBera.testফাংশনের উপর ভিত্তি করে ।jarque.bera.testtseries
পর্যবেক্ষণের সময় অ্যাডিটিভ আউটলেটর সহ 21 যা tsoutliersঅবশিষ্টাংশগুলিতে স্বাভাবিকতা সরবরাহ করে তা সনাক্ত করা হয় । সুতরাং, বিরতি এবং পূর্বাভাসের প্রাক্কলনটি বাহ্যিক পর্যবেক্ষণ দ্বারা প্রভাবিত হয় না।
res <- tsoutliers::tso(sales, types=c("AO", "TC", "LS"),
args.tsmethod=list(ic="bic", d=0, D=0))
res
#ARIMA(0,0,0) with non-zero mean
#Coefficients:
# intercept AO21
# 78.4231 79.5769
#s.e. 3.3885 17.6072
#sigma^2 estimated as 298.5: log likelihood=-115.25
#AIC=236.49 AICc=237.54 BIC=240.38
#Outliers:
# type ind time coefhat tstat
#1 AO 21 2:09 79.58 4.52
JarqueBera.test(residuals(res$fit))[[1]]
#X-squared = 1.3555, df = 2, p-value = 0.5077