ARIMA模型预测

1ARIMA模型预测一、模型选择预测是重要的统计技术，对于领导层进行科学决策具有不可替代的支撑作用。常用的预测方法包括定性预测法、传统时间序列预测（如移动平均预测、指数平滑预测）、现代时间序列预测（如ARIMA模型）、灰色预测（GM）、线性回归预测、非线性曲线预测、马尔可夫预测等方法。综合考量方法简捷性、科学性原则，我选择ARIMA模型预测、GM(1,1)模型预测两种方法进行预测，并将结果相互比对，权衡取舍，从而选择最佳的预测结果。二ARIMA模型预测（一）预测软件选择----R软件ARIMA模型预测，可实现的软件较多，如SPSS、SAS、Eviews、R等。使用R软件建模预测的优点是：第一，R是世最强大、最有前景的软件，已经成为美国的主流。第二，R是免费软件。而SPSS、SAS、Eviews正版软件极为昂贵，盗版存在侵权问题，可以引起法律纠纷。第三、R软件可以将程序保存为一个程序文件，略加修改便可用于其它数据的建模预测，便于方法的推广。（二）指标和数据指标是销售量(x)，样本区间是1964-2013年，保存文本文件data.txt中。（三）预测的具体步骤1、准备工作（1）下载安装R软件目前最新版本是R3.1.2，发布日期是2014-10-31，下载地址是。我使用的是R3.1.1。（2）把数据文件data.txt文件复制“我的文档”①。（3）把data.txt文件读入R软件，并起个名字。具体操作是：打开R软件，输入（输入每一行后，回车）：data=read.table(data.txt,header=T)①我的文档是默认的工作目录，也可以修改自定义工作目录。2data#查看数据①回车表示执行。完成上面操作后，R窗口会显示：（4）把销售额（x）转化为时间序列格式x=ts(x,start=1964)x结果：2、对x进行平稳性检验ARMA模型的一个前提条件是，要求数列是平稳时间序列。所以，要先对数列x进行平稳性检验。先做时间序列图：①#后的提示语句是给自己看的，并不影响R运行3从时间序列图可以看出，销售量x不具有上升的趋势，也不具有起降的趋势，初步判断，销售量x是平稳时间序列。但观察时间序列图是不精确的，更严格的办法是进行单位根检验。单位根检验是通行的检验数列平稳性的工具，常用的有ADF单位根检验、PP单位根检验和KPSS单位根检验三种方法。单位根检验的准备工作是，安装tseries程序包。安装方法：在联网状态下，点菜单“Packages—Installpackages”，在弹出的对话框中，选择一个镜像，如China(Beijing1)，确定。然后弹出附加包列表，选择tseries，确定即可。安装完附加包后，执行下面操作：library(tseries)#加载tseries包adf.test(x)#ADF检验pp.test(x)#PP检验kpss.test(x)#KPSS检验结果：Timex197019801990200020100200004000060000800004上面分别给出了ADF检验、PP检验和KPSS检验的结果。其中，ADF检验显示x是不平稳的（P值=0.990.05），而PP检验①和KPSS检验②则表明x是平稳时间序列。再结合时间序列图的判断，我们认为x是平稳时间序列，因而符合建立ARMA模型的前提条件。3、选择模型做x的自相关图（左图）和偏自相关图（右图）：acf(x)#做自相关图pacf(x)#做偏自相关图无论是自相关系数图（左），还是偏自相关系数图（右），都显著第4阶的系数突破了虚线，表明相关性显著。因此，我们建立4阶AR模型，写作AR(4)。4、估计模型参数fit=arima(xse,order=c(4,0,0))#把估计结果取名为fitfit#查看fit①PP检验的原假设是不平稳，P值=0.01，小于0.05，拒绝原假设，表明序列是平稳的。②KPSS检验与PP检验和ADF检验不同，它的原假设是平稳的。P值=0.1，大于0.05，接受原假设，表明序列是平稳序列。5上面给出了AR模型的回归系数的估计值，其中，截距为44079.31，1到4阶自回归系数分别是0.0344，-0.0174，-0.2002和0.4560。5、模型效果的检验模型效果的检验非常重要，因为只有通过检验，才证明是可靠、有效的模型，才能进行后续的预测分析。主要的检验工具有两个，一是对回归系数的显著性检验。四个自回归系数中，第4个回归系数的T统计值=0.4560/0.1241=3.67，大于2，因此，通过了显著性检验，表明确实存在四阶自相关。这与前面看自相关图和偏自相关系数图的结论相吻合。第二个检验是残差的白噪声检验（Ljung-Box检验），这个最主要、最关键。一般来说，只要通过了残差的白噪声检验，则表明模型是有效的。残差白噪声检验的R代码：tsdiag(fit)结果：上边是残差的自相关图，图形显示，除了0阶以外，各阶自相关系数都很小，6基本在0左右。表明残差中已经没有多少有用的信息，残差是纯随机序列，即白噪声。换个角度说，时间序列的有价值信息绝大部分都已经被模型提取了，建模获得了成功。下边是更为精确的Ljung-Box检验结果，所有小圈都在虚线之上（虚线值为0.05），表明在0.05的显著性水平上，各阶自相关系数和零的差别不显著，残差为白噪声序列，模型效果优良。这与上面的残差的自相关图相吻合。6、ARIMA模型预测R软件代码：predict(fit,n.ahead=3)#预测下三年（2014-2016）的数值若想预测后五年，就把3改成5，依此类推。结果：pred即predict(预测)的前四个字母，下面是时间2014-2016，表明要预测2014-2016年三年的。结果在最后一行，2014年销售额预测值为61768.02，2015年为36563.83，2016年为45464.87。（四）模型的再检验—用AIC准则寻找更优上面建模预测，通过的显著性检验和残差的白噪声检验，证明模型优良，可以进行预测。一般的预测报告就到此结束了。但考虑到预测对于企业家的决策重要，而决策的失误将会产生很大的不良后果。因此，更严谨起见，我们建立了24个可能的ARMA模型，一个一个比较，想看一看还有没有比前面我们建立的模型拟合效果更好的。挑选标准是国际通行的AIC准则。AIC是日本统计学家Akaike于1973年提出的。其基本思想是，变量越多，一般来说模型的拟合优度会越高。但是我们又不能单纯地以拟合的准确度的衡量模型的好坏，因为自变量的增多会导致未知参数的增多，而参数越多，参数估计的难度就越大，估计的精度也越差。因此，应该寻求在拟合优度和参数个数之间7的一个平衡，AIC达到最小时的模型被认为是最优的模型。这就是说，我们所建立的预测模型，经过Ljung-Box检验，表明是优良的模型。但是，如果有好多模型通过检验，证明优良呢？这时，就可以比较AIC的大小，达到优中选优的目的。统计界的经验表明，ARMA模型最常见的4阶之内。这样会产生24个ARMA模型。分别是AR(1)、AR(2)、AR(3)、AR(4)、MA(1)、MA(2)、MA(3)、MA(4)、ARMA(1,1)、ARMA(2,1)、ARMA3,1)、ARMA(4,1)、ARMA(1,2)、ARMA(2,2)、ARMA(3,2)、ARMA(4,2)、ARMA(1,3)、ARMA(2,3)、ARMA(3,3)、ARMA(4,3)、ARMA(1,4)、ARMA(2,4)、ARMA(3,4)、ARMA(4,4)。R代码：fit=arima(x,c(1,0,0));fit#ar(1)fit=arima(x,c(2,0,0));fit#ar(2)fit=arima(x,c(3,0,0));fit#ar(3)fit=arima(x,c(4,0,0));fit#ar(4)fit=arima(x,c(0,0,1));fit#ma(1)fit=arima(x,c(0,0,2));fit#ma(2)fit=arima(x,c(0,0,3));fit#ma(3)fit=arima(x,c(0,0,4));fit#ma(4)fit=arima(x,c(1,0,1));fit#arma(1,1)fit=arima(x,c(2,0,1));fit#arma(2,1)fit=arima(x,c(3,0,1));fit#arma(3,1)fit=arima(x,c(4,0,1));fit#arma(4,1)fit=arima(x,c(1,0,2));fit#arma(1,2)fit=arima(x,c(2,0,2));fit#arma(2,2)fit=arima(x,c(3,0,2));fit#arma(3,2)fit=arima(x,c(4,0,2));fit#arma(4,2)fit=arima(x,c(1,0,3));fit#arma(1,3)fit=arima(x,c(2,0,3));fit#arma(2,3)fit=arima(x,c(3,0,3));fit#arma(3,3)fit=arima(x,c(4,0,3));fit#arma(4,3)8fit=arima(x,c(1,0,4));fit#arma(1,4)fit=arima(x,c(2,0,4));fit#arma(2,4)fit=arima(x,c(3,0,4));fit#arma(3,4)fit=arima(x,c(4,0,4));fit#arma(4,4)结果计算出每个模型的AIC值，如下：AR(4):aic=1151.31AR（1）：aic=1159.14AR（2）：aic=1161.08AR（3）：aic=1160.73MA(1):aic=1159.13MA(2):aic=1161.05MA(3):aic=1160.06MA(4):aic=1151.49ARMA(1,1):aic=1155.99ARMA(2,1):aic=1157.59ARMA(3,1):aic=1154.97ARMA(4,1):aic=1152.97ARMA(1,2):aic=1156.66ARMA(2,2):aic=1156.67ARMA(3,2):aic=1155.4ARMA(4,2):aic=1154.38ARMA(1,3):aic=1155.68ARMA(2,3):aic=1157.67ARMA(3,3):aic=1156.19ARMA(4,3):aic=1153.55ARMA(1,4):aic=1153.09ARMA(2,4):aic=1155.29ARMA(3,4):aic=1152.25ARMA(4,4):aic=1153.639第一行是我们前面建立的四阶自回归模型AR(4)的AIC值，为1151.31。经一一对比可以发现，所有其它模型的AIC值都大于115.31。就是说，我们前面建立的模型是所有可能模型中的最优模型。三、GM(1,1)预测（一）方法简介灰色系统理论是由华中理工大学邓聚龙教授于1982年提出并加以发展的。二十几年来，引起了不少国内外学者的关注，得到了长足的发展。目前，在我国已经成为社会、经济、科学技术在等诸多领域进行预测、决策、评估、规划控制、系统分析与建模的重要方法之一。而其精华在于GM(1,1)模型，GM(1,1)被广泛应用于预测，并且预测效果很好，其使用限制条件是：原始数据单调，预测背景呈现稳定发展趋势；其优势是：适用于观测数据较少的预测问题，算法简单易行，预测精度相对较高。鉴于GM(1,1)预测适合于数据较少情况，我们选择2008-2013年的近期数据，进行预测尝试。（二）R软件操作1、把脚本文件GM11.R和data2.txt复制到“我的文档”；2、R窗口输入命令：source(GM11.R)data2=read.table(data2.txt,header=T)x=data2$xxGM11(x,length(x)+1)#预测后1期值预测结果：2014年销售量分别为28385.3。在R显示