在这个例子中,我们使用arima(x=data,order=c(0,1,1)),产生了一个想要的ARIMA(0,1,1)模型,然后我们使用predict(......"forecast(ets(data) ,level=95"
c("mean","lower","upper")
多元时间序列ARIMA案例
当你有一个模型和一个时间序列时,滚动预测的是一个方便的方法...在这个例子中,我们将有ARIMA(0,1,1)和ARIMA(1,1,0)。..."predict(arima(data,Models\[\[i\]\])ahead=h)"
我们没有直接指定模型,而是使用列表中的第i个元素。
我们还想从保留样本中保存实际值,以便能够计算误差。...0,1,1)平均来说比ARIMA(1,1,0)更准确。