Кросс-валидация временных рядов

Прогнозирование в R

Rob J. Hyndman

Professor of Statistics at Monash University

Кросс-валидация временных рядов

ch2_vid4_slides.002.png

Кросс-валидация временных рядов

ch2_vid4_slides.003.png

Кросс-валидация временных рядов

ch2_vid4_slides.004.png

Кросс-валидация временных рядов

ch2_vid4_slides.005.png

Функция `tsCV`

MSE с кросс-валидацией временных рядов

e <- tsCV (oil, forecastfunction = naive, h = 1)
mean(e^2 , na.rm = TRUE)

2355.753

Когда оцениваемых параметров нет, tsCV при h=1 даёт те же значения, что и остатки

Функция `tsCV`

  sq <- function(u){u^2}
  tsCV(oil, forecastfunction = naive, h = 10) %>%
    sq() %>% colMeans(na.rm=TRUE)

      h=1       h=2       h=3       h=4       h=5       h=6
 2355.753  5734.838  9842.239 14299.997 18560.887 23264.410
      h=7       h=8       h=9      h=10
26932.799 30766.136 32892.200 32986.214

MSE растёт с увеличением горизонта прогнозирования

Функция `tsCV`

Выбирайте модель с наименьшим MSE, вычисленным с помощью кросс-валидации временных рядов
Вычисляйте его для наиболее важного для вас горизонта прогнозирования

Давайте потренируемся!

Прогнозирование в R