হ্যাঁ, এটি করার উপায় রয়েছে। লোকেরা তাদের জীবনযাপনকে এভাবে কাজ করে তোলে ;-)
আপনি কার্যকারণ পূর্বাভাস খুঁজছেন । এ পূর্বাভাস এই বিনামূল্যে অনলাইন পাঠ্যপুস্তক পূর্বাভাস পদ্ধতি সম্পর্কে জানতে।
আপনার হাতে দুটি মূল সমস্যা রয়েছে যা আপনার মোকাবেলা করতে হবে: একদিকে মৌসুমতা (বা আরও সাধারণভাবে সময় সিরিজ কাঠামো, সম্ভবত স্বশাসনের সাথে) এবং অন্যদিকে প্রচারের মতো কার্যকারিতা। উপরের পাঠ্যপুস্তকের অধ্যায় আটটি আরিমা প্রসঙ্গে সময় সিরিজের স্টাফ নিয়ে কাজ করে, যখন অধ্যায় 5 কার্যকারণ সংক্রান্ত প্রভাবগুলির বিষয়ে আলোচনা করে।
সুখের পরিমাণে, তথাকথিত আরিম্যাক্স (এক্সটি "বহিরাগত প্রভাব", অর্থাৎ বাহ্যিক প্রভাব সহ আরিমা) মডেলগুলি, বা আরিমা ত্রুটির সাথে নিবন্ধগুলি গণনা করে উভয় সমস্যার সমাধান করা সম্ভব। পার্থক্যের জন্য "দ্য আরিম্যাক্স মডেল জঞ্জাল" -এ রব হ্যান্ডম্যানের ব্লগ পোস্টটি দেখুন । auto.arima()ফাংশন forecastআর প্যাকেজ Arima ত্রুটি থাকা কোনো রিগ্রেশন মাপসই করা হবে। আসুন আমরা একটি উদাহরণ দিয়ে চলি, যেখানে আমি দৃ strong় প্রবণতা এবং seasonতুসামগ্রী সহ একটি স্ট্যান্ডার্ড ডেটাসেট নিই এবং "প্রচার" যুক্ত করি।
library(forecast)
AirPassengers # a built-in dataset
# Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
# 1949 112 118 132 129 121 135 148 148 136 119 104 118
# 1950 115 126 141 135 125 149 170 170 158 133 114 140
# 1951 145 150 178 163 172 178 199 199 184 162 146 166
# 1952 171 180 193 181 183 218 230 242 209 191 172 194
# 1953 196 196 236 235 229 243 264 272 237 211 180 201
# 1954 204 188 235 227 234 264 302 293 259 229 203 229
# 1955 242 233 267 269 270 315 364 347 312 274 237 278
# 1956 284 277 317 313 318 374 413 405 355 306 271 306
# 1957 315 301 356 348 355 422 465 467 404 347 305 336
# 1958 340 318 362 348 363 435 491 505 404 359 310 337
# 1959 360 342 406 396 420 472 548 559 463 407 362 405
# 1960 417 391 419 461 472 535 622 606 508 461 390 432
set.seed(1) # for reproducibility
promos <- rep(0,length(AirPassengers))
promos[sample(seq_along(AirPassengers),10)] <- 1
promos.future <- c(0,1,0,0,1,0,0,1,0,0,1,0)
AP.with.promos <- AirPassengers
AP.with.promos[promos==1] <- AP.with.promos[promos==1]+120
model <- auto.arima(AP.with.promos,xreg=promos)
summary(model) # examine the model - you'll see the estimated promo coefficient
# Series: AP.with.promos
# ARIMA(0,1,1)(0,1,0)[12]
# Coefficients:
# ma1 promos
# -0.3099 122.2599
# s.e. 0.0947 2.2999
# sigma^2 estimated as 151.2: log likelihood=-457.4
# AIC=920.79 AICc=920.98 BIC=929.42
# Training set error measures:
# ME RMSE MAE MPE MAPE MASE ACF1
# Training set 0.2682805 11.12974 8.24397 0.06139784 2.867274 0.1860814 0.0008326436
fcast <- forecast(model,xreg=promos.future,h=length(promos.future))
fcast
# Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
# Jan 1961 447.1516 431.3951 462.9081 423.0542 471.2490
# Feb 1961 543.4115 524.2670 562.5559 514.1326 572.6904
# Mar 1961 449.1516 427.1345 471.1687 415.4793 482.8239
# Apr 1961 491.1516 466.5956 515.7076 453.5964 528.7068
# May 1961 624.4115 597.5556 651.2674 583.3389 665.4841
# Jun 1961 565.1516 536.1777 594.1255 520.8399 609.4633
# Jul 1961 652.1516 621.2044 683.0988 604.8220 699.4812
# Aug 1961 758.4115 725.6095 791.2135 708.2452 808.5778
# Sep 1961 538.1516 503.5942 572.7090 485.3006 591.0026
# Oct 1961 491.1516 454.9237 527.3795 435.7459 546.5573
# Nov 1961 542.4115 504.5869 580.2361 484.5637 600.2593
# Dec 1961 462.1516 422.7950 501.5082 401.9608 522.3424
promos.ts <- ts(c(AP.with.promos,fcast$mean),
start=start(AirPassengers),frequency=frequency(AirPassengers))
promos.ts[c(promos,promos.future)==0] <- NA
plot(fcast)
points(promos.ts,pch=19,col="red")
লাল বিন্দু প্রচার হয়। ডিফল্ট হিসাবে, আপনি ধূসর মধ্যে প্লট করা পূর্বাভাস অন্তর পেতে হবে। আপনি xregপরামিতিটির মাধ্যমে আপনার মডেলটিতে একাধিক নিবন্ধককে খাওয়াতে পারেন , আপনার যদি বিভিন্ন প্রভাব সহ বিভিন্ন ধরণের প্রচার থাকে তবে আপনার করা উচিত । একটু এক্সপেরিমেন্ট করুন।
আমি আপনার কাছে মাসিকের তুলনায় আরও সূক্ষ্ম দানাযুক্ত ডেটা দেখার পরামর্শ দিচ্ছি, যেমন সাপ্তাহিক। বিশেষত অবশ্যই যদি আপনার প্রচারগুলি পুরো মাস ধরে না চলে। আপনি পণ্যের দ্বারা আলাদাভাবে এটি করতে পারেন, বিশেষত যদি আপনি নির্দিষ্ট পণ্যগুলি বা পুরো বিভাগগুলিতে প্রচার করেন।
একটি বিকল্প হতে পারে যে আপনি কোডের চেয়ে ধারণাগুলিতে বেশি আগ্রহী, এক্সপোনেনশিয়াল স্মুথিংয়ের দিকে তাকাতে এবং এটি আপনার প্রয়োজন অনুসারে পরিবর্তন করতে, স্ট্যান্ডার্ড তিন স্তরের, মৌসুম এবং ট্রেন্ডের উপাদানগুলিতে প্রচারমূলক উপাদান যুক্ত করে। আপনি একটি আরিম্যাক্স মডেল সর্বাধিক সম্ভাবনা অনুমান করার চেষ্টা করার চেয়ে এক্সপোনেনশিয়াল স্মুথিংয়ের মাধ্যমে নিজেকে আরও অনেক কিছু করতে পারেন তবে আপনার যদি একাধিক প্রচারের ধরণ থাকে তবে স্মুথিং কিছুটা বুককিপিং দুঃস্বপ্নে পরিণত হতে পারে।