ARIMA Time Series 101

Dự báo Nhu cầu Sản phẩm bằng R

Aric LaBarr, Ph.D.

Senior Data Scientist, Elder Research

Nội dung time series khác trên DataCamp

Lộ trình kỹ năng Time Series với R

ARIMA là gì?

Auto Regressive Models
Integrated
Moving Average

Integrated - Tính dừng

Dữ liệu của bạn có phụ thuộc theo thời gian không?
Phụ thuộc này kéo dài bao lâu?
Tính dừng
- Ảnh hưởng của một quan sát giảm dần theo thời gian
- Dự báo dài hạn tốt nhất là trung bình của chuỗi
- Thường đạt được bằng sai phân

Sai phân

Thường dùng để loại bỏ xu hướng...

$$ Y_{t} - Y_{t-1} $$

... hoặc tính mùa vụ

$$ Y_{t} - Y_{t-12} $$

Phần Tự hồi quy (AR)

Mô hình tự hồi quy
- Chỉ phụ thuộc vào các giá trị trước đó - gọi là độ trễ
- $ Y_t = \omega_0 + \alpha_1 Y_{t-1} + \alpha_2 Y_{t-2} + ... + \varepsilon_t $
- Mô hình nhớ dài - hiệu ứng giảm rất chậm

Phần Trung bình trượt (MA)

Mô hình trung bình trượt
- Chỉ phụ thuộc vào các "cú sốc" hay sai số trước đó
- $ Y_t = \omega_0 + \varepsilon_t + \beta_1 \varepsilon_{t-1} + \beta_2 \varepsilon_{t-2} + ... $
- Mô hình nhớ ngắn - hiệu ứng biến mất nhanh

Huấn luyện vs. Kiểm định

M_t <- bev_xts[,"M.hi"] + bev_xts[,"M.lo"]

Huấn luyện vs. Kiểm định

M_t_train <- M_t[index(M_t) < "2017-01-01"]
M_t_valid <- M_t[index(M_t) >= "2017-01-01"]

Xây dựng mô hình ARIMA như thế nào?

auto.arima(M_t_train)

Series: M_t_train 
ARIMA(4,0,1) with non-zero mean 

Coefficients:
         ar1      ar2     ar3     ar4      ma1       mean
      1.3158  -0.5841  0.1546  0.0290  -0.6285  2037.5977
s.e.  0.3199   0.2562  0.1534  0.1165   0.3089    87.5028

sigma^2 estimated as 67471:  log likelihood=-1072.02
AIC=2158.05   AICc=2158.81   BIC=2179.31

Cùng luyện tập nào!

Dự báo Nhu cầu Sản phẩm bằng R