以TSA中的bulebird公司的一款薯片数据data(bluebird)为例,检验是否存在互相关性,如果存在建立合适的ARIMAX模型。R语言完成
- User
以TSA中的bulebird公司的一款薯片数据data(bluebird)为例,检验是否存在互相关性,如果存在建立合适的ARIMAX模型。R语言完成
Assistant
我来帮您分析TSA包中bluebird公司的薯片数据,检验互相关性并建立ARIMAX模型。
# 加载必要的包 library(TSA) library(forecast) library(lmtest) # 加载数据 data(bluebird) str(bluebird) # 查看数据 head(bluebird) plot(bluebird)首先检查数据结构和可视化:
# 分离两个变量 sales <- bluebird[,1] # 销售量 price <- bluebird[,2] # 价格 # 时间序列图 par(mfrow=c(2,1)) plot(sales, main="薯片销售量", ylab="销售量") plot(price, main="薯片价格", ylab="价格") # 检查平稳性 library(tseries) adf.test(sales) adf.test(price)检验互相关性:
# 计算互相关函数 par(mfrow=c(1,1)) ccf(price, sales, main="价格与销售量的互相关函数") # 预白化处理以更准确地识别关系 # 先对价格序列建立ARIMA模型 price_model <- auto.arima(price) price_resid <- residuals(price_model) # 用相同的模型过滤销售序列 sales_filtered <- residuals(Arima(sales, model=price_model)) # 查看预白化后的互相关 ccf(price_resid, sales_filtered, main="预白化后的互相关函数")建立ARIMAX模型:
# 方法1:使用auto.arima with xreg # 检查销售量序列的ARIMA结构 auto.arima(sales) # 建立ARIMAX模型 arimax_model1 <- auto.arima(sales, xreg=price) summary(arimax_model1) # 检查残差 checkresiduals(arimax_model1) # 方法2:考虑滞后的价格影响 # 创建滞后价格变量 price_lag1 <- lag(price, -1) price_lag2 <- lag(price, -2) # 构建外生变量矩阵 xreg_matrix <- cbind(price, price_lag1, price_lag2) xreg_matrix <- xreg_matrix[3:length(price),] # 去除NA值 sales_adj <- sales[3:length(sales)] # 建立包含滞后项的ARIMAX模型 arimax_model2 <- auto.arima(sales_adj, xreg=xreg_matrix) summary(arimax_model2) # 比较模型 AIC(arimax_model1) BIC(arimax_model1)模型诊断和预测:
# 残差诊断 par(mfrow=c(2,2)) plot(residuals(arimax_model1), main="残差图") acf(residuals(arimax_model1), main="残差ACF") pacf(residuals(arimax_model1), main="残差PACF") qqnorm(residuals(arimax_model1)) qqline(residuals(arimax_model1)) # Ljung-Box检验 Box.test(residuals(arimax_model1), lag=20, type="Ljung-Box") # 如果有未来价格数据,可以进行预测 # 假设未来3期的价格 future_price <- c(mean(price), mean(price)*1.05, mean(price)*0.95) forecast_arimax <- forecast(arimax_model1, xreg=future_price, h=3) plot(forecast_arimax)完整的分析脚本:
# 完整分析脚本 library(TSA) library(forecast) library(tseries) # 加载数据 data(bluebird) sales <- bluebird[,1] price <- bluebird[,2] # 1. 探索性分析 par(mfrow=c(2,1)) plot(sales, main="薯片销售量时间序列") plot(price, main="薯片价格时间序列") # 2. 互相关性检验 par(mfrow=c(1,1)) ccf(price, sales, main="价格与销售量的互相关函数", lag.max=20) # 3. 建立ARIMAX模型 arimax_fit <- auto.arima(sales, xreg=price) print(summary(arimax_fit)) # 4. 模型诊断 checkresiduals(arimax_fit) # 5. 显著性检验 coeftest(arimax_fit) # 6. 模型解释 cat("\n模型解释:\n") cat("价格系数:", coef(arimax_fit)["xreg"], "\n") cat("这表明价格每增加1单位,销售量变化", coef(arimax_fit)["xreg"], "单位\n")这个分析将帮助您确定价格和销售量之间是否存在显著的互相关性,并建立合适的ARIMAX模型来描述这种关系。通常薯片这类产品的价格和销售量之间存在负相关关系(价格上升,销售量下降)。
- User
plot(sales, main="薯片销售量", ylab="销售量") Error in plot.new() : figure margins too large
Assistant
这个错误通常是因为绘图区域太小。让我们解决这个问题并提供完整的分析代码:
# 重置图形参数并调整绘图区域 dev.off() # 关闭当前图形设备 par(mar=c(4, 4, 2, 1)) # 调整边距 # 加载必要的包 library(TSA) library(forecast) library(tseries) library(lmtest) # 加载数据 data(bluebird) str(bluebird) # 查看数据结构 head(bluebird) dim(bluebird) # 分离变量 sales <- bluebird[,1] # 销售量 price <- bluebird[,2] # 价格 # 创建时间序列图 par(mfrow=c(2,1), mar=c(4, 4, 2, 1)) plot(sales, main="薯片销售量", ylab="销售量", type="l") plot(price, main="薯片价格", ylab="价格", type="l")如果仍有问题,可以分别绘制:
# 方法2:分别绘制 dev.new() # 新建图形窗口 plot(sales, main="薯片销售量", ylab="销售量", type="l") dev.new() plot(price, main="薯片价格", ylab="价格", type="l")完整的ARIMAX分析:
# 1. 数据探索 # 基本统计 summary(sales) summary(price) # 相关性初步检查 cor(sales, price) # 2. 平稳性检验 cat("\n销售量ADF检验:\n") adf.test(sales) cat("\n价格ADF检验:\n") adf.test(price) # 3. 互相关分析 dev.new() par(mfrow=c(1,1)) ccf(price, sales, main="价格与销售量的互相关函数", lag.max=15) # 4. 预白化互相关分析 # 对价格建立ARIMA模型 price_model <- auto.arima(price) print(price_model) # 获取残差 price_resid <- residuals(price_model) # 用相同模型过滤销售量 sales_filtered <- residuals(Arima(sales, model=price_model)) # 预白化后的互相关 dev.new() ccf(price_resid, sales_filtered, main="预白化后的互相关函数", lag.max=15) # 5. 建立ARIMAX模型 # 基础ARIMAX模型 arimax_model <- auto.arima(sales, xreg=price) summary(arimax_model) # 6. 模型诊断 dev.new() par(mfrow=c(2,2), mar=c(4, 4, 2, 1)) # 残差图 plot(residuals(arimax_model), main="残差时间序列图", ylab="残差") abline(h=0, col="red", lty=2) # ACF图 acf(residuals(arimax_model), main="残差ACF图") # PACF图 pacf(residuals(arimax_model), main="残差PACF图") # Q-Q图 qqnorm(residuals(arimax_model), main="残差Q-Q图") qqline(residuals(arimax_model), col="red") # 7. 残差检验 # Ljung-Box检验 lb_test <- Box.test(residuals(arimax_model), lag=20, type="Ljung-Box") cat("\nLjung-Box检验结果:\n") print(lb_test) # 8. 系数显著性检验 cat("\n模型系数检验:\n") coeftest(arimax_model) # 9. 考虑滞后效应的ARIMAX模型 # 创建滞后价格变量 n <- length(price) price_lag1 <- c(NA, price[-n]) price_lag2 <- c(NA, NA, price[1:(n-2)]) # 构建设计矩阵(去除NA) X <- cbind(price, price_lag1, price_lag2) X_clean <- X[3:n,] sales_clean <- sales[3:n] # 建立包含滞后项的模型 arimax_lag <- auto.arima(sales_clean, xreg=X_clean) summary(arimax_lag) # 10. 模型比较 cat("\n模型比较:\n") cat("基础ARIMAX模型 AIC:", AIC(arimax_model), "\n") cat("滞后ARIMAX模型 AIC:", AIC(arimax_lag), "\n") # 11. 预测示例 # 假设未来3期价格 future_price <- c(mean(price), mean(price)*1.02, mean(price)*0.98) forecast_result <- forecast(arimax_model, xreg=future_price, h=3) dev.new() plot(forecast_result, main="ARIMAX模型预测") # 12. 输出最终结果 cat("\n=== 分析结论 ===\n") cat("1. 互相关性:", ifelse(any(abs(ccf(price, sales, plot=FALSE)$acf) > 0.2), "存在显著互相关", "互相关性较弱"), "\n") cat("2. 价格对销售量的影响系数:", coef(arimax_model)["xreg"], "\n") cat("3. 模型拟合优度 (残差标准误):", sqrt(arimax_model$sigma2), "\n")如果绘图仍有问题,可以使用这个简化版本:
# 简化版本 - 避免绘图错误 # 使用基础R绘图 options(repr.plot.width=8, repr.plot.height=6) # 数据可视化 windows(width=10, height=8) # Windows系统 # x11(width=10, height=8) # Linux/Mac系统 layout(matrix(c(1,2), 2, 1)) plot.ts(sales, main="销售量") plot.ts(price, main="价格") # 互相关分析 layout(1) ccf(price, sales, main="互相关函数") # ARIMAX建模 model <- auto.arima(sales, xreg=price) print(summary(model))这样应该能够成功运行分析。关键是确保图形设备有足够的空间,并适当调整边距参数。
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.