Autoregressive integrated moving average excel

Modelo ARIMA. O modelo ARIMA é uma extensão do modelo ARMA i que se aplica a séries temporais não estacionárias com uma ou mais raízes unitárias integradas. O Assistente de Modelos ARIMA automatiza os passos de construção do modelo adivinhando parâmetros iniciais, validação de parâmetros, bondade Do teste de ajuste e do diagnóstico de resíduos. Para usar essa funcionalidade, selecione o ícone correspondente na barra de ferramentas ou o item de menu. Passo sobre selecione a amostra de dados em sua planilha e selecione a ordem correspondente do modelo de componente AR autorregressivo, ordem de integração d, E a ordem do modelo de componente de média móvel Em seguida, selecione os testes de bondade de ajuste, diagnóstico residual e designe um local em sua planilha para imprimir o modelo. Observação Por padrão, o Assistente de modelo gera uma estimativa rápida dos valores do modelo s Parâmetros, mas o usuário pode optar por gerar valores calibrados para os coeficientes do modelo s. Após a conclusão, a função de modelagem ARMA D selecionados cálculos de testes no local designado de sua planilha. O Assistente ARIMA adiciona Excel-tipo de comentários cabeças de seta vermelha para as células de rótulo para descrevê-los. Introdução para ARIMA modelos não-sazonais. ARIMA p, d, q equação de previsão ARIMA modelos são, Em teoria, a classe mais geral de modelos para a previsão de uma série de tempo que pode ser feita para ser estacionária por diferenciação se necessário, talvez em conjunto com transformações não-lineares como logging ou deflação, se necessário Uma variável aleatória que é uma série temporal é estacionário se Suas propriedades estatísticas são todas constantes ao longo do tempo Uma série estacionária não tem tendência, suas variações em torno de sua média têm uma amplitude constante, e ele wiggles de forma consistente ou seja, seus padrões de tempo aleatório de curto prazo sempre olhar o mesmo em um sentido estatístico Condição significa que suas correlações de autocorrelações com seus próprios desvios prévios em relação à média permanecem constantes ao longo do tempo, ou de forma equivalente, que seu poder Rum permanece constante ao longo do tempo Uma variável aleatória desta forma pode ser vista como usual como uma combinação de sinal e ruído, eo sinal se for aparente poderia ser um padrão de reversão média rápida ou lenta, ou oscilação sinusoidal, ou alternância rápida em E também poderia ter um componente sazonal Um modelo ARIMA pode ser visto como um filtro que tenta separar o sinal do ruído, eo sinal é então extrapolado para o futuro para obter previsões. A ARIMA previsão equação para um tempo estacionário É uma equação linear de tipo de regressão, na qual os preditores consistem em defasagens da variável dependente e / ou defasagens dos erros de previsão Isso é. Valor estimado de Y uma constante e ou uma soma ponderada de um ou mais valores recentes de Y e Ou uma soma ponderada de um ou mais valores recentes dos erros. Se os preditores consistem apenas de valores defasados ​​de Y é um modelo auto-regressivo autoregressivo puro, que é apenas um caso especial de um modelo de regressão e que c Por exemplo, um modelo AR 1 auto-regressivo de primeira ordem para Y é um modelo de regressão simples em que a variável independente é apenas Y retardada por um período LAG Y, 1 em Statgraphics ou YLAG1 em RegressIt Se alguns dos Os preditores são defasagens dos erros, um modelo ARIMA não é um modelo de regressão linear, porque não há maneira de especificar o erro do último período s como uma variável independente os erros devem ser calculados em uma base período a período quando o modelo É ajustado aos dados De um ponto de vista técnico, o problema com o uso de erros defasados ​​como preditores é que as previsões do modelo não são funções lineares dos coeficientes mesmo que sejam funções lineares dos dados passados ​​So, coeficientes em modelos ARIMA que incluem Os erros devem ser estimados por métodos de otimização não-linear escalada em vez de simplesmente resolver um sistema de equações. O acrônimo ARIMA significa Auto-Regressive Integrated Moving Average Lags do stat As séries ionarizadas na equação de previsão são chamadas de termos autorregressivos, os atrasos dos erros de previsão são chamados de termos de média móvel e uma série de tempo que precisa ser diferenciada para ser estacionária é considerada uma versão integrada de uma série estacionária Random-walk e Modelos de tendência aleatória, modelos autorregressivos e modelos de suavização exponencial são casos especiais de modelos ARIMA. Um modelo não-estacional ARIMA é classificado como um modelo ARIMA p, d, q, onde p é o número de termos autorregressivos. d é o número Das diferenças não sazonais necessárias para a estacionaridade, eq é o número de erros de previsão defasados ​​na equação de previsão. A equação de previsão é construída da seguinte maneira: Primeiro, vamos y representar a d diferença de Y que significa. Observe que a segunda diferença de Y O caso d 2 não é a diferença de dois períodos atrás. Em vez disso, é a diferença de primeira diferença da primeira diferença que é o análogo discreto de uma segunda derivada, ou seja, a aceleração local do seri Em vez de sua tendência local. Em termos de y a equação de previsão geral é. Aqui os parâmetros de média móvel s são definidos de modo que seus sinais são negativos na equação, seguindo a convenção introduzida por Box e Jenkins Alguns autores e software incluindo o R A linguagem de programação define-os de modo que eles têm mais sinais em vez Quando os números reais são conectados à equação, não há ambigüidade, mas é importante saber qual convenção seu software usa quando você está lendo a saída Muitas vezes os parâmetros são indicados por AR 1, AR 2,, e MA 1, MA 2, etc. Para identificar o modelo ARIMA apropriado para Y você começa por determinar a ordem de diferenciação d precisando estacionar a série e remover as características brutas da sazonalidade, talvez em conjunto com um Transformação estabilizadora de variância, como logging ou deflação Se você parar neste ponto e prever que a série diferenciada é constante, você tem apenas montado uma caminhada aleatória ou aleatória No entanto, a série estacionária pode ainda ter erros autocorrelacionados, sugerindo que algum número de termos AR p 1 e / ou algum número de termos MA q 1 também são necessários na equação de previsão. O processo de determinação dos valores de p, d e Q que são melhores para uma determinada série de tempo serão discutidos em seções posteriores das notas cujos links estão no topo desta página, mas uma prévia de alguns dos tipos de modelos não-temporais ARIMA que são comumente encontrados é dada abaixo. ARIMA 1 , 0,0 modelo de auto-regressão de primeira ordem se a série é estacionária e autocorrelacionada, talvez possa ser predita como um múltiplo de seu próprio valor anterior, mais uma constante A equação de previsão neste caso é a que é Y regressa sobre si mesma retardada por Um período Este é um modelo constante ARIMA 1,0,0 Se a média de Y for zero, então o termo constante não seria incluído. Se o coeficiente de inclinação 1 for positivo e menor que 1 em magnitude deve ser menor que 1 em Magnitude se Y estiver parado, o Descreve o comportamento de reversão de média no qual o valor do próximo período deve ser predito como sendo 1 vezes mais distante da média do valor deste período Se 1 for negativo, ele prediz o comportamento de reversão de média com alternância de sinais, ou seja, também prediz Que Y estará abaixo do próximo período médio se estiver acima da média desse período. Em um modelo autorregressivo de segunda ordem ARIMA 2,0,0, haveria um termo Y t-2 à direita também, e assim por diante Dependendo dos sinais e magnitudes dos coeficientes, um modelo de ARIMA 2,0,0 poderia descrever um sistema cuja reversão média ocorre de forma sinusoidal oscilante, como o movimento de uma massa em uma mola que é sujeita a choques aleatórios. ARIMA 0,1,0 caminhada randômica Se a série Y não é estacionária, o modelo mais simples possível é um modelo randômico, que pode ser considerado como um caso limitante de um modelo AR 1 no qual o coeficiente autorregressivo é igual a 1, Iea série com reversão média infinitamente lenta A equação de predição Para este modelo pode ser escrito como. Onde o termo constante é a variação média período-período, ou seja, a deriva a longo prazo em Y Este modelo poderia ser montado como um modelo de regressão sem interceptação em que a primeira diferença de Y é a Variável dependente Uma vez que inclui apenas uma diferença não sazonal e um termo constante, é classificada como modelo ARIMA 0,1,0 com constante. O modelo randômico-sem-desvio seria um modelo ARIMA 0,1,0 sem constante. ARIMA 1,1,0 modelo autoregressivo de primeira ordem diferenciado Se os erros de um modelo de caminhada aleatória são autocorrelacionados, talvez o problema possa ser corrigido adicionando um atraso da variável dependente à equação de predição - isto é, regressando a primeira diferença de Y em si mesmo retardado por um período Isso resultaria na seguinte equação de previsão que pode ser rearranjada para. Este é um modelo autorregressivo de primeira ordem com uma ordem de diferenciamento não sazonal e um termo constante - ou seja, um modelo ARIMA 1,1,0.ARIMA 0,1,1 sem constante simples exp Suavização onencial Uma outra estratégia para corrigir erros autocorrelacionados em um modelo de caminhada aleatória é sugerida pelo modelo de suavização exponencial simples. Lembre-se que para algumas séries temporais não-estacionárias, por exemplo, que exibem flutuações ruidosas em torno de uma média de variação lenta, Como uma média móvel de valores passados ​​Em outras palavras, ao invés de tomar a observação mais recente como a previsão da próxima observação, é melhor usar uma média das últimas observações para filtrar o ruído e estimar com mais precisão a Média local O modelo de suavização exponencial simples usa uma média móvel exponencialmente ponderada de valores passados ​​para conseguir este efeito A equação de predição para o modelo de suavização exponencial simples pode ser escrita em um número de formas matematicamente equivalentes, uma das quais é a chamada forma de correção de erro , Em que a previsão anterior é ajustada no sentido do erro que cometeu. Porque e t-1 Y t-1 - T-1 por definição, isto pode ser reescrito como. que é uma equação de previsão ARIMA 0,1,1 sem constante - com 1 1 - Isto significa que você pode ajustar uma suavização exponencial simples especificando-a como um ARIMA 0,1 , 1 modelo sem constante e o coeficiente MA 1 estimado corresponde a 1-menos-alfa na fórmula SES Lembre-se que no modelo SES, a idade média dos dados nas previsões de 1 período antecipado é 1, o que significa que eles irão Tendem a ficar aquém de tendências ou pontos de viragem em cerca de 1 períodos. Segue-se que a idade média dos dados nas previsões de um período de 1 período de um modelo ARIMA 0,1,1 sem constante é 1 1 - 1 Assim, para Por exemplo, se 1 0 8, a idade média é 5 Quando 1 aproxima-se de 1, o modelo ARIMA 0,1,1-sem constante torna-se uma média móvel de muito longo prazo e quando 1 se aproxima de 0, torna-se uma caminhada aleatória - without-drift model. What s a melhor maneira de corrigir para autocorrelação adicionando AR termos ou adicionando MA termos Nos dois modelos anteriores discutidos acima, o problema de autocorrel Em um modelo de caminhada aleatória foi fixado de duas maneiras diferentes, adicionando um valor defasado das séries diferenciadas à equação ou adicionando um valor defasado do erro de previsão Qual abordagem é melhor Uma regra para esta situação, que será Ser discutido mais detalhadamente mais adiante, é que a autocorrelação positiva é usualmente melhor tratada pela adição de um termo AR ao modelo e a autocorrelação negativa geralmente é melhor tratada pela adição de um termo MA Nas séries econômicas e de negócios, a autocorrelação negativa surge frequentemente como um artefato Assim, o modelo ARIMA 0,1,1, no qual a diferenciação é acompanhada por um termo MA, é mais freqüentemente usado do que um ARIMA 1, 1,0 model. ARIMA 0,1,1 com alisamento exponencial simples e constante com crescimento Ao implementar o modelo SES como um modelo ARIMA, você realmente ganha alguma flexibilidade Em primeiro lugar, o coeficiente MA 1 estimado Fficient é permitido ser negativo isto corresponde a um factor de suavização maior do que 1 num modelo SES, o que normalmente não é permitido pelo procedimento de ajustamento do modelo SES Em segundo lugar, tem a opção de incluir um termo constante no modelo ARIMA se desejar , A fim de estimar uma tendência média diferente de zero O modelo ARIMA 0,1,1 com constante tem a equação de previsão. As previsões de um período de tempo deste modelo são qualitativamente semelhantes às do modelo SES, exceto que a trajetória Das previsões de longo prazo é tipicamente uma linha inclinada cuja inclinação é igual a mu em vez de uma linha horizontal. ARIMA 0,2,1 ou 0,2,2 sem alisamento exponencial linear constante Os modelos lineares de suavização exponencial são modelos ARIMA que utilizam dois Diferenças não sazonais em conjunto com os termos MA A segunda diferença de uma série Y não é simplesmente a diferença entre Y e ela mesma retardada por dois períodos, mas sim é a primeira diferença da primeira diferença --e a mudança na mudança do Y no período t Assim, a segunda diferença de Y no período t é igual a Y t - Y t-1 - Y t-1 - Y t-2 Y t - 2Y t-1 Y t-2 Uma segunda diferença de a A função discreta é análoga a uma segunda derivada de uma função contínua que mede a aceleração ou curvatura na função em um determinado ponto no tempo. O modelo ARIMA 0,2,2 sem constante prevê que a segunda diferença da série é igual a uma função linear Dos dois últimos erros de previsão. que pode ser rearranjado como. quando 1 e 2 são os coeficientes MA 1 e MA 2 Este é um modelo de alisamento exponencial linear geral essencialmente o mesmo que o modelo de Holt s, e o modelo de Brown é um caso especial It Usa médias ponderadas ponderadas exponencialmente para estimar um nível local e uma tendência local na série As previsões de longo prazo deste modelo convergem para uma linha reta cuja inclinação depende da tendência média observada no final da série. ARIMA 1,1 , 2 sem constante tendência amortecida linear exponencial suavização. Este modelo é illu Extrapolando a tendência local no final da série, mas aplainando-a em horizontes de previsão mais longos para introduzir uma nota de conservadorismo, uma prática que tem suporte empírico. Veja o artigo sobre Por que a Tendência de Damped funciona por Gardner e McKenzie eo artigo da regra de ouro por Armstrong et al para detalhes. É geralmente aconselhável ficar com modelos em que pelo menos um de p e q não é maior que 1, ou seja, não tente encaixar um modelo como ARIMA 2 , 1,2, uma vez que isso é susceptível de conduzir a overfitting e questões de fator comum que são discutidos com mais detalhes nas notas sobre a estrutura matemática de ARIMA models. Spreadsheet implementação ARIMA modelos como os descritos acima são fáceis de implementar em um Planilha A equação de predição é simplesmente uma equação linear que se refere a valores passados ​​de séries temporais originais e valores passados ​​dos erros. Assim, você pode configurar uma planilha de previsão ARIMA armazenando os dados na coluna A, t A fórmula de previsão na coluna B e os dados de erro menos as previsões na coluna C A fórmula de previsão numa célula típica na coluna B seria simplesmente uma expressão linear referindo-se a valores nas linhas precedentes das colunas A e C, multiplicada pela AR apropriada ou MA armazenados em células em outra parte da folha de cálculo. ÁRIMA Previsão com Excel e R. Hello Hoje eu vou guiá-lo através de uma introdução ao modelo ARIMA e seus componentes, bem como uma breve explicação do método Box-Jenkins de como Modelos ARIMA são especificados Finalmente, eu criei uma implementação do Excel usando R, que eu vou mostrar-lhe como configurar e use. Autoregressive Moving Average ARMA Models. The Autoresgressive Moving Average modelo é utilizado para a modelagem e previsão estacionária, estocástica séries cronológicas É a combinação de duas técnicas estatísticas desenvolvidas anteriormente, a AR Autoregressive e os modelos MA de Moving Average e foi originalmente descrita por Peter Whittle em 1951 George EP Box e Gwilym Jenkins popularizaram o modelo em 1971, especificando etapas discretas para modelar a identificação, estimativa e verificação. Este processo será descrito posteriormente como referência. Começaremos por introduzir o modelo ARMA por seus vários componentes, os modelos AR e MA e Em seguida, apresentar uma generalização popular do modelo ARMA, ARIMA Autoresgressive Integrated Moving Average e previsão e especificação do modelo etapas Finalmente, vou explicar uma implementação do Excel que eu criei e como usá-lo para fazer suas previsões de séries temporais. Modelos Autoregressive. Usado para descrever processos aleatórios e processos que variam no tempo e especifica que a variável de saída depende linearmente de seus valores anteriores. O modelo é descrito como. xt c sum varphii, Xt-i varepsilont. Onde varphi1, ldots, varphi varphi são os parâmetros do Modelo, C é constante, e varepsilont é um termo de ruído branco. Essencialmente, o que o modelo descreve é ​​para qualquer valor X t ele pode ser explicado b Y de seu valor anterior Para um modelo com um parâmetro, varphi 1 X t é explicado por seu valor passado X t-1 e erro aleatório varepsilont Para um modelo com mais de um parâmetro, por exemplo varphi 2 X t é dado por X T-1 X t-2 e varepsilont de erro aleatório. Modelo de média móvel. O modelo MA de média móvel é usado freqüentemente para modelar séries temporais univariadas e é definido como. Xt mu varepsilont theta1, varepsilon ldots thetaq, varepsilon. Mu é a média das séries temporais. Theta1, ldots, thetaq são os parâmetros do modelo. Varepsilont, varepsilon, ldots são os termos de erro de ruído branco. q é a ordem do modelo de Média Móvel. O modelo de Média Móvel é uma regressão linear do valor atual da série em comparação com os termos varepsilont no período anterior, t varepsilon Por exemplo , Um modelo de MA de q 1 X t é explicado pelo erro atual varepsilont no mesmo período eo valor do erro passado, varepsilon Para um modelo de ordem 2 q 2, X t é explicado pelos dois últimos valores de erro, varepsilon e varepsilon . Os termos AR p e MA q são usados ​​no modelo ARMA, que agora será introduzido. Modelos de média móvel em movimento. Os modelos de média móvel agressiva usam dois polinômios, AR p e MA q e descrevem um processo estacionário estacionário. Mudança quando deslocado no tempo ou no espaço, portanto, um processo estacionário tem média e variância constantes O modelo ARMA é freqüentemente referido em termos de seus polinômios, ARMA p, q A notação do modelo é escrita. Xt c varepsilont sum varphi 1 x suma thetai varepsilon. Selecting, estimando e verificando o modelo é descrito pelo processo de Box-Jenkins. Box-Jenkins método para Model Identification. The abaixo é mais um esboço do método Box-Jenkins, como o processo real de encontrar Estes valores podem ser bastante esmagadora sem um pacote estatístico A folha de Excel incluída nesta página determina automaticamente o melhor modelo de ajuste. A primeira etapa do método de Box-Jenkins é identificação do modelo O passo inclui a identificação de sazonalidade, diferenciação se necessário e determinar a ordem De p e q traçando as funções de autocorrelação e autocorrelação parcial. Após a identificação do modelo, o próximo passo é estimar os parâmetros. A estimação de parâmetros usa pacotes estatísticos e algoritmos de computação para encontrar os melhores parâmetros de ajuste. Está verificando o modelo A verificação do modelo é feita testando para ver se o modelo está em conformidade com uma série de tempo univariada estacionária On E deve também confirmar que os resíduos são independentes uns dos outros e exibem média e variância constantes ao longo do tempo, o que pode ser feito executando um teste de Ljung-Box ou novamente traçando a autocorrelação e a autocorrelação parcial dos resíduos. Sazonalidade Se os dados com que você está trabalhando contêm tendências sazonais, você diferença para tornar os dados estacionários Este passo de diferenciação generaliza o modelo ARMA em um modelo ARIMA, ou Média Móvel Integrada Autoregressiva, onde Integrado corresponde ao passo differencing. Autoregressive Movimento Integrado O modelo ARIMA tem três parâmetros, p, d, q Para definir o modelo ARMA para incluir o termo de diferenciação, começamos rearranjando o modelo ARMA padrão para separar o xt latex e o varepsilont do látex da soma. 1 - sum alfa L i Xt 1 suma thetai L i varepsilont. Quando L é o operador lag e alfa tetai varepsilont são parâmetros auto-regressivos e de média móvel, e os termos de erro, respectivamente. Fazemos agora a suposição do primeiro polinômio da função, 1 - sum alphai L i possui uma raiz unitária da multiplicidade d Podemos então reescrevê-la para o seguinte. O modelo ARIMA expressa a fatorização polinomial com pp-d e nos dá 1-sum phii L i 1 - L d Xt 1 sum thetai L i varepsilont. Lastly, generalizar o modelo ainda mais, adicionando um termo de deriva, que define o modelo ARIMA como ARIMA p, d, q com drift frac. Com o modelo agora definido, podemos ver o modelo ARIMA como duas partes separadas, uma não estacionária ea outra distribuição de probabilidade de junção estacionária de sentido amplo Não muda quando deslocado no tempo ou no espaço O modelo não-estacionário. O modelo estacionário de sentido amplo. 1 - sum phii L i Yt 1 soma thetai L i varepsilont. Agora podemos fazer previsões sobre Yt usando um método de previsão autorregressivo generalizado. Agora que discutimos os modelos ARMA e ARIMA, passamos agora a como podemos usá-los na prática Aplicativos para fornecer previsão Eu construí uma implementação com o Excel usando R para fazer previsões ARIMA, bem como uma opção para executar Monte Carlo simulação sobre o modelo para determinar a probabilidade de as previsões. Excel Implementação e How to Use. Antes de usar a folha, Você deve baixar R e RExcel do site Statconn Se você já tem R instalado, você pode apenas baixar RExcel Se você não tem R instalado, você pode baixar RAndFriends que contém a versão mais recente do R e RExcel Observe, RExcel só funciona em 32bit Excel para sua licença não-comercial Se você tem 64bit Excel instalado, você terá que obter uma licença comercial de Statconn. It é recomendado para baixar RAndFriends como faz para o mais rápido e mais fácil instalar No entanto, se você já tiver R e quiser instalá-lo manualmente, siga estas etapas. Instalando manualmente o RExcel. Para instalar o RExcel e os outros pacotes para fazer R trabalhar no Excel, abra R como Administrador clicando com o botão direito do mouse em No console R, instale o RExcel digitando as seguintes instruções. Os comandos acima instalam o RExcel em sua máquina. O próximo passo é instalar o rcom, que é outro pacote do Statconn para o pacote RExcel. Para instalar isso, digite o seguinte , Que também instalará automaticamente rscproxy a partir da versão R 2 8 0. Com esses pacotes instalados, você pode passar para a configuração da conexão entre R e Excel. Embora não seja necessário para a instalação, um pacote acessível para download é Rcmdr, desenvolvido Por John Fox Rcmdr cria R menus que podem se tornar menus no Excel Este recurso vem por padrão com a instalação do RAndFriends e faz vários comandos R disponíveis no Excel. Type os seguintes comandos em R para instalar Rcmd R. We pode criar o link para R e Excel. Note em versões recentes do RExcel esta conexão é feita com um simples clique duplo do arquivo fornecido ActivateRExcel2018, então você só precisa seguir estas etapas se você instalou manualmente R e RExcel Ou se por algum motivo a conexão isn t feita durante a instalação de RAndFriends. Create a conexão entre R e Excel. Open um novo livro no Excel e navegar para a tela de opções. Clique em Opções e, em seguida, Add-Ins Você deve ver uma lista de todos Os suplementos ativos e inativos que você tem atualmente Clique no botão Ir na parte inferior. Na caixa de diálogo Suplementos, você verá todas as referências de complemento que você fez Clique em Procurar. Navigar para a pasta RExcel, geralmente localizada In C Program FilesRExcelxls ou algo semelhante Encontre o add-in e clique nele. O próximo passo é criar uma referência para que as macros usando R para funcionar corretamente Em seu Excel doc, digite Alt F11 Isso vai abrir Excel s VBA editor Ir para Ferramentas - Referências, e encontrar o RExcel Referência, RExcelVBAlib RExcel agora deve estar pronto para usar. Usando o Excel Sheet. Now que R e RExcel estão devidamente configurados, é hora de fazer alguma previsão. Open a planilha de previsão e clique em Load Server Isso é para iniciar o servidor RCom e também Carregar as funções necessárias para fazer a previsão Uma caixa de diálogo será aberta Selecione o itall R arquivo incluído com a folha Este arquivo contém as funções que a ferramenta de previsão usa A maioria das funções contidas foram desenvolvidas pelo professor Stoffer na Universidade de Pittsburgh Eles estendem as capacidades De R e nos dar alguns gráficos de diagnóstico úteis juntamente com a nossa saída de previsão Existe também uma função para determinar automaticamente os melhores parâmetros de ajuste do modelo ARIMA. Após o servidor carrega, insira seus dados na coluna Dados Selecione o intervalo dos dados, Clique com o botão direito do mouse e selecione Nome Intervalo Nomeie o intervalo como Data. Next, defina a freqüência de seus dados na Célula C6 A freqüência refere-se aos períodos de tempo de seus dados Se for semana A frequência seria 7 mensal seria de 12, enquanto trimestral seria de 4, e assim on. Enter os períodos de antecedência para prever Note que os modelos ARIMA tornam-se bastante impreciso após várias previsões de freqüência sucessivas Uma boa regra de ouro não deve exceder 30 etapas Como qualquer coisa passado que poderia ser pouco confiável Isso depende do tamanho do seu conjunto de dados também Se você tem dados limitados disponíveis, recomenda-se escolher um menor número de passos à frente. Depois de inserir seus dados, nomeá-lo e definir o desejado A frequência e os passos à frente para a previsão, clique em Executar. Pode demorar um pouco para a previsão processar. Uma vez concluído, você obterá os valores previstos para o número especificado, o erro padrão dos resultados e dois gráficos. Os valores preditos traçados com os dados, enquanto que o direito contém diagnósticos úteis com resíduos padronizados, a autocorrelação dos resíduos, um gráfico gg dos resíduos e um gráfico de estatísticas de Ljung-Box para determinar i F o modelo está bem equipado. Eu não vou entrar em muito detalhes sobre como você olha para um modelo bem equipado, mas no gráfico ACF você don t quer qualquer ou um monte de lag picos de cruzamento sobre a linha pontilhada azul Gg parcela, os círculos mais que passam pela linha, o mais normalizado e melhor ajustado o modelo é Para maiores conjuntos de dados isso pode atravessar uma série de círculos Por fim, o teste Ljung-Box é um artigo em si, no entanto, mais círculos que são Acima da linha pontilhada azul, melhor será o modelo. Se o resultado do diagnóstico não parecer bom, você pode tentar adicionar mais dados ou começar em um ponto diferente mais próximo do intervalo que você deseja prever. Você pode facilmente limpar os resultados gerados por Clicando nos botões Limpar os Valores Previsíveis. E isso é ele Atualmente, a coluna da data não faz nada além da sua referência, mas não é necessário para a ferramenta Se eu encontrar tempo, vou voltar e adicionar isso para que o gráfico exibido Mostra a hora correta Você também pode receber um erro quando r Unning a previsão Isso geralmente é devido à função que encontra os melhores parâmetros é incapaz de determinar a ordem adequada Você pode seguir os passos acima para tentar organizar seus dados melhor para a função para trabalhar. Eu espero que você use a ferramenta Ele me salvou muito tempo no trabalho, como agora tudo o que tenho a fazer é inserir os dados, carregar o servidor e executá-lo Eu também espero que isso mostra como R awesome pode ser, especialmente quando usado com um front-end, como Excel. Code, planilha do Excel e arquivo também estão no GitHub aqui.