原文:https://otexts.com/fppcn/toolbox-exercises.html
usnetelec
usgdp
mcopper
enplanements
为什么Box-Cox变换不适用于cangas
数据集?
对于2.10节练习3的零售数据你会选择哪种Box-Cox变换?
下列的时间序列,绘制数据图表,如果有合适的变换,进行变换并描述变换效果。dole
, usdeaths
, bricksq
.
计算将周期性naïve方法应用于季度美国啤酒产量数据的预测结果的残差,下面的代码会帮到你
beer <- window(ausbeer, start=1992)
fc <- snaive(beer)
autoplot(fc)
res <- residuals(fc)
autoplot(res)
检验残差是否是白噪声并且服从正态分布
checkresiduals(fc)
你得到了什么结论?
重复数据集WWWusage
和bricksq
的练习,在每个数据集中,使用naïve方法还是周期性naïve方法更合适?
下列的描述正确还是错误?并解释。
2.10节的练习3 中的零售数据序列,完成以下步骤:
使用下面的代码把数据分为两部分
myts.train <- window(myts, end=c(2010,12))
myts.test <- window(myts, start=2011)
利用下面的代码画图,检验数据是否被恰当地分为两部分
autoplot(myts) +
autolayer(myts.train, series="Training") +
autolayer(myts.test, series="Test")
在数据myts.train
上使用snaïve
计算预测值
fc <- snaive(myts.train)
利用myts.test
中的真实值计算模型精确度
accuracy(fc,myts.test)
检验残差
checkresiduals(fc)
残差是否看起来不相关并且服从正态分布?
模型精确度对训练集/测试集分割的敏感性有多强
visnights
包含从1998-2015年澳大利亚20个区域每个季度的夜间游客人数(单位:百万)
对visnights[,"QLDMetro"]
数据使用window()
创建3个训练集,分别去掉最后1年、2年、3年的数据,并各自命名为train1、train2、train3,例如 train1 <- window(visnights[, "QLDMetro"], end = c(2014, 4))
.
使用snaïve
方法分别为每个训练集计算一年的预测,并命名为fc1
、fc2
、fc3
使用 accuracy()
在三个测试集中比较MAPE,你如何看待测试结果?
使用数据集dowjones
中的道琼斯指数数据完成下列步骤
使用数据集ibmclose
中的IBM的每日股票收盘价数据,完成以下步骤:
使用数据集hsales
中1973年1月-1995年12月美国新独户住宅销量数据,完成以下步骤:
a. 绘制一些描述数据的图像
b. 将`hsales`数据集分割成训练集和数据集,训练集是最近两年的数据
c. 尝试使用不同的基准预测方法在训练集上进行预测,在测试集上比较结果,哪种方法效果最好?
d. 检验你认为最好的方法的残差,它们像白噪声吗?