#درخواستی_دوستان
بحث مدل های Arima ، بدون استفاده از تابع اتوماتیک این مدل یعنی
در این مثال
کاربردی که به مربوط به قیمت نفت Opec
از فوریه 2003 به بعد میباشد
ابتدا برای کار دو پکیج
فراخوانی
و داده های تکست را وارد نرم افزار میکنیم پس از این کار
این داده ها را به عنوان یک تایم سری"ts" به R معرفی میکنیم چون داده ها روزانه جمع اوری شده اند 365 را در
اورده ایم
سپس نمودار مربوطه رسم میشود
@R_Experts
بحث مدل های Arima ، بدون استفاده از تابع اتوماتیک این مدل یعنی
auto.arima
در این مثال
کاربردی که به مربوط به قیمت نفت Opec
از فوریه 2003 به بعد میباشد
ابتدا برای کار دو پکیج
library(TSA)
library(forecast)
فراخوانی
و داده های تکست را وارد نرم افزار میکنیم پس از این کار
این داده ها را به عنوان یک تایم سری"ts" به R معرفی میکنیم چون داده ها روزانه جمع اوری شده اند 365 را در
ts
اورده ایم
سپس نمودار مربوطه رسم میشود
@R_Experts
شما در این نمودار به وضوح تحولات منطقه و تاثیر اون بر قیمت نفت رو میتونید مشاهده کنید به طور مثال در سال 2003 که حمله امریکا در 20 دسامبر صورت گرفت شاهد افت و خیزی در این نمودار هستیم
@R_Experts
@R_Experts
در ادامه کار با رسم نمودار همبستگی جملات بین سری
در میابیم که این سری با اصول اولیه این مدل ها یعنی مانایی مشکل ایجاد میکند،
یعنی لگ های نمودار همبستگی بین جملات سری از باند ابی تعیین شده خارج شده اند ،
@R_Experts
acf
در میابیم که این سری با اصول اولیه این مدل ها یعنی مانایی مشکل ایجاد میکند،
یعنی لگ های نمودار همبستگی بین جملات سری از باند ابی تعیین شده خارج شده اند ،
@R_Experts
برای رفع مشکل میانگین ناثابت از تفاضل گیری استفاده کرده ایم و میتوانیم تفاوت دو نمودار را مشاهده کنیم
@R_Experts
@R_Experts
اماره دیکی فلوره نیز مهره تاییدی بر مانایی یا بهتره بگیم مانایی ضعیف سری تفاضل گیری شده است
@R_Experts
@R_Experts
با توجه به نمودار بالا دو مدل اریما را به داده ها فیت کرده ایم که هر دو ملاک
Akaike Information Critrea
Baysian Information Critera
مدل فیت 2 را تایید میکنند
@R_Experts
Akaike Information Critrea
Baysian Information Critera
مدل فیت 2 را تایید میکنند
@R_Experts
این هم پیش بینی 15 روز بعدی قیمت نفت و تشکیل فواصل اطمینان میباشد 80 و95 درصدی میباشد و این پیش بینی خطای بسیار پایینی دارد ، چون پس از پیش بینی با قیمت واقعی مقایسه شده است،
@R_Experts
@R_Experts
#اجرای_برنامه_در_Rstudio
برای اجرای برنامه ای که نوشته ایم در این ویرایشگر سه روش وجود دارد
روش اول : کلیک بر روی کلمه Run همانند انچه در شکل نشان داده شده است
روش دوم : زدن دکمه های Ctrl + R در صفحه کلید
روش سوم : زدن دکمه های Ctrl + Enter در صفحه کلید
@R_Experts
برای اجرای برنامه ای که نوشته ایم در این ویرایشگر سه روش وجود دارد
روش اول : کلیک بر روی کلمه Run همانند انچه در شکل نشان داده شده است
روش دوم : زدن دکمه های Ctrl + R در صفحه کلید
روش سوم : زدن دکمه های Ctrl + Enter در صفحه کلید
@R_Experts
#نصب_پکیچ_در_Rstudio
برای نصب پکیج ما می توانیم دستور
را در صورت دسترسی به اینترنت بزنیم .یا مانند شکل زیر عمل کنیم
@R_Experts
برای نصب پکیج ما می توانیم دستور
install.packages("name")را در صورت دسترسی به اینترنت بزنیم .یا مانند شکل زیر عمل کنیم
@R_Experts
|R| Experts
#factor_function فرم کلی این تابع به صورت : factor(x = character(), levels, labels = levels, exclude = NA, ordered = is.ordered(x)) که از یک رشته شی محتويات انها را خارج و در Levels قرار میدهد و میتوان به انها برچسب نیز نسبت داد ، و ordered ترتیب…
#factor
فاکتورها بسیار شبیه بردارهاهستند.ازفاکتورهابرای گروه بندی وایجاد تمایزبین داده های بردارهااستفاده میشود.
فاکتورها را می توان بطورمستقیم تولیدکردو
یایک برداررابه یک فاکتورتبدیل کرد.
درR دستورات
و
را داریم.
که
n مشخص کننده تعداد سطوح
k تعدادتکرارها،
length طول فاکتور
وlabels برچسب سطح می باشدو
orderedمشخص میکندسطوح مرتب باشند یا نه
@R_Experts
فاکتورها بسیار شبیه بردارهاهستند.ازفاکتورهابرای گروه بندی وایجاد تمایزبین داده های بردارهااستفاده میشود.
فاکتورها را می توان بطورمستقیم تولیدکردو
یایک برداررابه یک فاکتورتبدیل کرد.
درR دستورات
factor()
و
gl()
را داریم.
gl(n,k,length=n*k,labels=1:n,ordered=F)
که
n مشخص کننده تعداد سطوح
k تعدادتکرارها،
length طول فاکتور
وlabels برچسب سطح می باشدو
orderedمشخص میکندسطوح مرتب باشند یا نه
@R_Experts