最近我们被客户要求撰写关于多元时间序列滚动预测的研究报告,包括一些图形和统计输出。
当需要为数据选择最合适的预测模型或方法时,预测者通常将可用的样本分成两部分:内样本(又称 "训练集")和保留样本(或外样本,或 "测试集")。然后,在样本中估计模型,并使用一些误差指标来评估其预测性能。
如果这样的程序只做一次,那么这被称为 "固定原点 "评估。然而,时间序列可能包含离群值,一个差的模型可能比更合适的模型表现得更好。为了加强对模型的评估,我们使用了一种叫做 "滚动原点 "的方法。
滚动原点是一种预测方法,根据这种方法,预测原点被连续更新,预测是由每个原点产生的(Tashman 2000)。这种方法允许获得几个时间序列的预测误差,从而更好地了解模型的表现。
相关视频:Python和R语言使用指数加权平均(EWMA),ARIMA自回归移动平均模型预测时间序列
如何实现呢?
下图描述了滚动原点的基本思想。白色单元格对应的是样本内数据,而浅灰色单元格对应的是前三步的预测。该图中时间序列有25个观测值,预测从8个原点开始产生,从原点15开始。模型在每次迭代中都被重新估计,并产生预测结果。之后,在系列的末尾增加一个新的观测值,这个过程继续进行。当没有更多的数据需要添加时,这个过程就会停止。这可以被认为是一个滚动的原点,有一个固定的保留样本量。这个程序的结果是产生了8个一到三步的预测。在此基础上,我们可以计算出误差测量方法,并选择表现最好的模型。
从8个原点产生预测的另一个选择是,从原点17而不是15开始(见下图)。在这种情况下,程序一直持续到原点22,即产生最后一个三步超前预测的时候,然后继续以递减的预测范围进行。因此,两步预测从原点23产生,只有一步预测从原点24产生。因此,我们得到8个一步预测,7个两步预测和6个三步预测。这可以被认为是一个滚动的原点,有一个非固定的保留样本量。可用于在小样本的情况下,当我们没有多余的观测值的时候。
最后,在上述两种情况下,我们的样本量都在增加。然而对于某些研究目的,我们可能需要一个恒定的内样本。下图展示了这样一种情况。在这种情况下,在每次迭代中,我们在系列的末尾增加一个观察值,并从系列的开始删除一个观察值(深灰色单元)。
R实现:一元时间序列ARIMA案例
R实现了对任何函数的滚动原点估计,有一个预定义的调用,并返回预期的值。
我们从一个简单的例子开始,从正态分布生成序列。
x <- rnorm(100,100,10)
我们在这个例子中使用ARIMA(0,1,1)。
predict(arima(x=data,order=c(0,1,1)),n.ahead=h
调用包括两个重要元素:data和h。data指定了样本内值在我们要使用的函数中的位置。h将告诉我们的函数,在选定的函数中指定了预测的范围。在这个例子中,我们使用arima(x=data,order=c(0,1,1)),产生了一个想要的ARIMA(0,1,1)模型,然后我们使用predict(...,n. ahead=h),从该模型产生一个预测。
还需要指定函数应该返回什么。可以是条件平均数(点预测),预测区间,模型的参数。然而,根据你使用的函数返回的内容,滚动预测返回的内容有一些不同。如果它是一个矢量,那么滚动预测将产生一个矩阵(列中有每个原点的值)。如果它是一个矩阵,那么就会返回一个数组。最后,如果它是一个列表,那么将返回一个列表的列表。
我们先从predict()函数中收集条件平均值。
我们可以使用滚动原点从模型中产生预测结果。比方说,我们想要三步预测和8个原点,所有其他参数的默认值。
predro(x, h , orig )
该函数返回一个列表,其中包含我们要求的所有数值,再加上保留样本的实际数值。我们可以根据这些值计算一些基本的误差指标,例如,按比例的平均绝对误差。
apply(abs(holdo - pred),1,mean) / mean(actual)
在这个例子中,我们使用apply()函数,区分不同的预测期,并了解模型在每个预测期的表现。以类似的方式,我们可以评估其他一些模型的性能,并与第一个模型产生的误差进行比较。这些数字本身并不能说明什么,但如果我们把这个模型的表现与另一个模型进行比较,那么我们就可以推断出一个模型是否比另一个模型更适合数据。
我们还可以绘制来自滚动原点的预测结果。
plot(Values1)
点击标题查阅往期内容
R语言用ARIMA模型,ARIMAX模型预测冰淇淋消费时间序列数据
左右滑动查看更多
01
02
03
04
在这个例子中,来自不同来源的预测结果是相互接近的。这是因为数据是平稳的,模型是相当稳定的。
如果我们看一下返回的矩阵,我们会注意到它们包含缺失值。
这是因为在默认情况下,保留样本被设置为非常数。内样本也被设置为非常数,这就是为什么模型在每次迭代时都会对增加的样本进行重新估计。我们可用修改这一点。
predro(x, h , ori )
请注意,return2的值与return1的值不能直接比较,因为它们是由不同的起点生成的。这一点在我们绘图时可以看出来。
plot(returned2)
如果你使用预测包中的函数,可以用以下方式修改调用和返回值。
"forecast(ets(data) ,level=95"
c("mean","lower","upper")
多元时间序列ARIMA案例
当你有一个模型和一个时间序列时,滚动预测的是一个方便的方法。但是如果你需要将不同的模型应用于不同的时间序列呢?我们会需要一个循环。在这种情况下,有一个简单的方法来使用滚动预测。现在引入几个时间序列。
对于这个例子,我们需要一个返回值的数组。
array(NA,c(3,2,3,8))
在这里,我们将有3个时间序列,2个模型和来自8个来源的3步超前预测。我们的模型将被保存在一个单独的列表中。在这个例子中,我们将有ARIMA(0,1,1)和ARIMA(1,1,0)。
list(c(0,1,1), c(1,1,0))
我们从函数中返回相同的预测值,但我们需要改变调用方式,因为现在我们必须将这两种不同的模型考虑在内。
"predict(arima(data,Models[[i]])ahead=h)"
我们没有直接指定模型,而是使用列表中的第i个元素。
我们还想从保留样本中保存实际值,以便能够计算误差。
这个数组有3个时间序列和来自8个原点的3步超前预测的维度。
最后,我们可以写一个循环并产生预测结果。
for(j in 1:3) for(i in 1:2)predro(data, h , or=8)
比较两者在不同时间序列上的表现。
exp(mean(log(apply(Holdout - Fore / apply(abs(Holdout - Fore ))
因此,根据这些结果,可以得出结论,在我们的三个时间序列上,ARIMA(0,1,1)平均来说比ARIMA(1,1,0)更准确。
线性回归和ARIMAX案例
我们的最后一个例子,我们创建数据框并拟合线性回归。
请注意,在这个例子中,lm()函数中实现的回归依赖于数据框架,不使用预测范围。
predict(lm(y~x1+x2+x3,xre),newdat
此外,函数predict.lm()返回的是一个带有数值的矩阵,而不是一个列表。最后调用滚动预测。
pred(y, h , ori )
在这种情况下, 我们需要在调用的数据参数中提供因变量, 因为该函数需要提取holdout的值.
predict(lm( xreg ,new =xreg "
predro( $y, h , or )
plot( Return)
作为最后一个例子,我们考虑以下数据的ARIMAX模型。
并相应地修改调用。
ourCall <- "predict(arima(x=data, order=c(0,1,1), xreg=xreg[counti,]), n.ahead=h, newxreg=xreg[counto,])"
考虑到现在我们处理的是ARIMA,我们需要同时指定数据和h。此外,xreg与之前的例子不同,因为它现在不应该包含因变量。
如果你使用ETSX模型,调用可以简化为:
"es(x=dat, xreg, h=h"
最后,上面提到的所有例子都可以并行完成,特别是当数据非常多且样本量很大时。
参考文献
Davydenko, Andrey, and Robert Fildes. 2013. “Measuring Forecasting Accuracy: The Case of Judgmental Adjustments to Sku-Level Demand Forecasts.” International Journal of Forecasting 29 (3). Elsevier B.V.: 510–22. https://doi.org/10.1016/j.ijforecast.2012.09.002.
Petropoulos, Fotios, and Nikolaos Kourentzes. 2015. “Forecast combinations for intermittent demand.” Journal of the Operational Research Society 66 (6). Nature Publishing Group: 914–24. https://doi.org/10.1057/jors.2014.62.