R เฉลี่ยเคลื่อนที่ คาดการณ์

การย้ายการคาดการณ์เชิงปริมาณเฉลี่ย ตามที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างที่คาดการณ์ไว้ แต่หวังว่าคำแนะนำเหล่านี้จะเป็นประโยชน์อย่างยิ่งสำหรับบางประเด็นเกี่ยวกับคอมพิวเตอร์ที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีต ในหลอดเลือดดำนี้เราจะดำเนินการต่อโดยการเริ่มต้นตั้งแต่เริ่มต้นและเริ่มทำงานกับการคาดการณ์ Moving Average การย้ายการคาดการณ์เฉลี่ย ทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่า นักศึกษาทุกคนทำแบบฝึกหัดตลอดเวลา ลองนึกถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณจะมีการทดสอบสี่ครั้งระหว่างภาคการศึกษา ให้สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกของคุณ คุณคาดหวังอะไรสำหรับคะแนนการทดสอบที่สองของคุณคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดอย่างไรว่าเพื่อนของคุณอาจคาดเดาคะแนนการทดสอบครั้งต่อไปคุณคิดว่าพ่อแม่ของคุณคาดการณ์คะแนนการทดสอบต่อไปได้ไม่ว่า การทำร้ายทั้งหมดที่คุณอาจทำกับเพื่อนและผู้ปกครองพวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ที่คุณเพิ่ง 85 ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตด้วยตัวคุณเองกับเพื่อน ๆ ของคุณคุณสามารถประเมินตัวเองและคิดว่าคุณสามารถเรียนได้น้อยกว่าสำหรับการทดสอบที่สองและคุณจะได้รับ 73. ตอนนี้สิ่งที่ทุกคนกังวลและไม่ใส่ใจ คาดว่าคุณจะได้รับการทดสอบครั้งที่สามมีสองแนวทางที่น่าจะเป็นไปได้สำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงว่าพวกเขาจะแบ่งปันกับคุณหรือไม่ พวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับความฉลาดของเขา เขาจะได้รับอีก 73 ถ้าเขาโชคดี บางทีพ่อแม่จะพยายามสนับสนุนและพูด quotWell เพื่อให้ห่างไกลได้รับ 85 และ 73 ดังนั้นคุณควรคิดเกี่ยวกับการเกี่ยวกับ (85 73) 2 79 ฉันไม่รู้ว่าบางทีถ้าคุณไม่ปาร์ตี้ และเหวี่ยงพังพอนไปทั่วสถานที่และถ้าคุณเริ่มต้นทำมากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงขึ้นทั้งสองประมาณการเหล่านี้เป็นจริงการคาดการณ์เฉลี่ยย้าย อันดับแรกใช้คะแนนล่าสุดของคุณเพื่อคาดการณ์ประสิทธิภาพในอนาคตของคุณเท่านั้น นี่เรียกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลระยะเวลาหนึ่ง ข้อที่สองเป็นค่าพยากรณ์เฉลี่ยเคลื่อนที่ แต่ใช้ข้อมูลสองช่วง ให้สมมติว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและใส่คะแนนสูงขึ้นในหน้า quotalliesquot ของคุณ คุณใช้การทดสอบและคะแนนของคุณเป็นจริง 89 ทุกคนรวมทั้งตัวคุณเองเป็นที่ประทับใจ ดังนั้นตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคการศึกษาที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์เกี่ยวกับวิธีที่คุณจะทำในการทดสอบครั้งล่าสุด ดีหวังว่าคุณจะเห็นรูปแบบ ตอนนี้หวังว่าคุณจะเห็นรูปแบบนี้ คุณเชื่อว่าเป็นนกหวีดที่ถูกต้องที่สุดในขณะที่เราทำงาน ตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ของเราซึ่งเริ่มต้นโดยพี่สาวที่แยกกันอยู่ของคุณชื่อ Whistle While We Work คุณมีข้อมูลการขายในอดีตที่แสดงโดยส่วนต่อไปนี้จากสเปรดชีต ก่อนอื่นเราจะนำเสนอข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วง รายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11 แจ้งให้ทราบว่าค่าเฉลี่ยย้ายผ่านข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้ง นอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเรา นี้แน่นอนแตกต่างจากแบบจำลองการเรียบเรียงชี้แจง Ive รวมการคาดคะเนของคำพูดราคาตลาดเนื่องจากเราจะใช้คำเหล่านี้ในหน้าเว็บถัดไปเพื่อวัดความถูกต้องในการคาดการณ์ ตอนนี้ฉันต้องการนำเสนอผลที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วง รายการสำหรับเซลล์ C5 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11 แจ้งให้ทราบว่าขณะนี้มีเพียงข้อมูลล่าสุดสองชิ้นที่ใช้ล่าสุดในการคาดการณ์เท่านั้น อีกครั้งฉันได้รวมการคาดคะเน quotpost เพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์ บางสิ่งบางอย่างอื่นที่มีความสำคัญที่จะแจ้งให้ทราบล่วงหน้า สำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ m-period เฉพาะค่าข้อมูลล่าสุดของ m ที่ใช้ในการคาดคะเนเท่านั้น ไม่มีอะไรอื่นที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-period เมื่อทำนายการคาดการณ์ของ quotpast ให้สังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1 ทั้งสองประเด็นนี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเรา การพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาโค้ดสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้น รหัสดังต่อไปนี้ โปรดทราบว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์ คุณสามารถเก็บไว้ในสมุดงานที่คุณต้องการ Function MovingAverage (Historical, NumberOfPeriods) ในฐานะ Single Declaring และ Initializing ตัวแปร Dim Item As Variant Dim Counter เป็นจำนวนเต็ม Integer Dim Single Dim HistoricalSize As Integer ตัวแปรที่ Initializing ตัวแปร Counter 1 สะสม 0 การกำหนดขนาดของ Historical array HistoricalSize Historical. Count สำหรับ Counter 1 ถึง NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้ล่าสุด Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในคลาส คุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลลัพธ์ของการคำนวณปรากฏขึ้นที่ที่ควรทำดังนี้ R - วิธีคาดการณ์พยากรณ์อากาศ ARITA (AutoRegresive Integrated Moving Average) ETS (แบบจำลองพื้นที่แบบเรียบที่ชี้แจง) เราจะพูดถึงวิธีการ วิธีการเหล่านี้ทำงานและวิธีการใช้งาน ภาพรวมพร็อพเพอร์ตี้พยากรณ์แก้ไขคำอธิบายการแก้ไข Smonting คำอธิบายชื่อ AKA: ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่ถ่วงน้ำหนัก (EWMA) เทียบเท่ากับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่ระยะเวลาที่ใช้สำหรับข้อมูลที่ราบรื่นสำหรับการนำเสนอทำให้การคาดการณ์ค่าเฉลี่ยเคลื่อนที่ง่าย: การสังเกตในอดีตมีการถ่วงน้ำหนักเท่ากัน smoothing: กำหนดค่าน้ำหนักที่ลดลงเรื่อย ๆ เมื่อเวลาผ่านไปสูตร xt - ข้อมูลดิบลำดับ st - เอาต์พุตของอัลกอริธึมการแจกแจงแบบเอกซ์โพเนนเชียล (ประมาณค่าถัดไปของ x) - ปัจจัยการปรับให้ราบเรียบ 0160lt160160lt1601 การเลือกใช้วิธีทางสถิติอย่างถูกต้องอาจไม่ใช้วิธีทางสถิติเพื่อเพิ่มมูลค่าให้มากที่สุด (เช่น OLS) ยิ่งใหญ่เท่าไหร่ก็ยิ่งใกล้จะได้รับการคาดการณ์แบบไร้เดียงสา (พอร์ตเดียวกับชุดเดิมที่มีระยะเวลาล้าหลัง) Double Exponential Smoothing แก้ไขง่าย (มีความลำเอียงอยู่เสมอ) การเรียบเป็นคู่เป็นกลุ่มของวิธีการจัดการกับปัญหา Holt-Winters การแก้ไขการแกว่งเป็นสองเท่าและสำหรับ t gt 1 โดยที่เป็นปัจจัยการทำให้เรียบของข้อมูล 0160lt160160lt1601 และเป็นตัวปรับความเรียบของแนวโน้ม 0160lt160160lt1601 Output F tm - การประมาณค่าของ x ที่เวลา tm, mgt0 ขึ้นอยู่กับข้อมูลดิบถึงเวลา t การปรับการชดเชยความคมชัดแบบ Triple Exponential เรียบเรียงโดยคำนึงถึงการเปลี่ยนแปลงตามฤดูกาลรวมทั้งแนวโน้มที่แนะนำโดย Holts student, Peter Winters, in 1960 Input xt - ข้อมูลดิบลำดับของการสังเกต t 1601600 L ยาววงจรของการเปลี่ยนแปลงตามฤดูกาลวิธีการคำนวณ: เส้นแนวโน้มสำหรับข้อมูลตามฤดูกาลดัชนีที่น้ำหนักค่าในเส้นแนวโน้มตามที่จุดเวลานั้นตกอยู่ในวงจรของความยาว L s t หมายถึงค่าที่ราบรื่นของส่วนที่คงที่สำหรับเวลา t bt หมายถึงลำดับของการประมาณค่าที่ดีที่สุดของแนวโน้มเชิงเส้นที่ซ้อนทับกับการเปลี่ยนแปลงตามฤดูกาล ct คือลำดับของปัจจัยการแก้ไขตามฤดูกาล ct เป็นสัดส่วนที่คาดการณ์ไว้ของแนวโน้มที่คาดการณ์ได้ตลอดเวลา t mod L ในรอบที่การสังเกตดำเนินการเมื่อถึง เริ่มต้นดัชนีตามฤดูกาล c tL ต้องมีอย่างน้อยหนึ่งรอบที่สมบูรณ์ในข้อมูลผลลัพธ์ของอัลกอริทึมจะถูกเขียนขึ้นใหม่เป็น F tm การประมาณค่าของ x ที่เวลา tm, mgt0 ขึ้นอยู่กับข้อมูลดิบถึงเวลา t การคำนวณความเร่งด่วนแบบ Triple Exponential จะได้จากสูตรที่เป็นตัวคูณข้อมูล 0160lt160160lt1601 เป็นตัวปรับความเรียบของแนวโน้ม 0160lt160160lt1601 และเป็นปัจจัยการปรับฤดูกาลตามฤดูกาล 0160lt160160lt1601 สูตรทั่วไปสำหรับการประมาณการแนวโน้มเริ่มต้น b 0 คือ: การกำหนดค่าเริ่มต้นสำหรับดัชนีตามฤดูกาล c i สำหรับ i 1,2 L เกี่ยวข้องมากขึ้น ถ้า N คือจำนวนรอบที่สมบูรณ์ในข้อมูลของคุณ: โปรดทราบว่า A j คือค่าเฉลี่ยของ x ในรอบ j ของข้อมูลของคุณ ETS แก้ไขพารามิเตอร์แทนที่แทนที่ 8.4 การย้ายโมเดลเฉลี่ยแทนที่จะใช้ค่าที่ผ่านมาของตัวแปรคาดการณ์ในการถดถอยโมเดลค่าเฉลี่ยเคลื่อนที่จะใช้ข้อผิดพลาดในการคาดการณ์ที่ผ่านมาในรูปแบบการถดถอยเหมือนกัน y c et theta e theta e จุด theta e ที่ et มีเสียงสีขาว เราอ้างถึงนี้เป็นรูปแบบ MA (q) แน่นอนว่าเราไม่ได้สังเกตค่าของเอตดังนั้นจึงไม่ใช่การถดถอยตามความหมายปกติ สังเกตว่าแต่ละค่าของ yt สามารถคิดได้ว่าเป็นค่าเฉลี่ยถ่วงน้ำหนักของข้อผิดพลาดในการคาดการณ์ที่ผ่านมา อย่างไรก็ตามแบบจำลองค่าเฉลี่ยเคลื่อนที่ไม่ควรสับสนกับการปรับค่าเฉลี่ยการเคลื่อนที่โดยเฉลี่ยที่เรากล่าวถึงในบทที่ 6 โมเดลเฉลี่ยถ่วงน้ำหนักใช้สำหรับคาดการณ์ค่าในอนาคตขณะที่ใช้การปรับค่าเฉลี่ยโดยเฉลี่ยเพื่อใช้ประเมินแนวโน้มรอบของค่าในอดีต รูปที่ 8.6: ตัวอย่างสองตัวอย่างของข้อมูลจากโมเดลเฉลี่ยเคลื่อนที่ที่มีพารามิเตอร์ต่างกัน ซ้าย: MA (1) กับ y t 20e t 0.8e t-1 ขวา: MA (2) ด้วย y t e t - e t -1 0.8e t-2 ในทั้งสองกรณี e t จะกระจายสัญญาณรบกวนสีขาวเป็นปกติโดยมีค่าเฉลี่ยศูนย์และค่าความแปรปรวน 1 รูปที่ 8.6 แสดงข้อมูลบางส่วนจากแบบจำลอง MA (1) และ MA (2) การเปลี่ยนพารามิเตอร์ theta1, dots, thetaq ส่งผลให้รูปแบบชุดเวลาต่างกัน เช่นเดียวกับโมเดลอัตถดถอยความแปรปรวนของเทอมข้อผิดพลาด et จะเปลี่ยนขนาดของชุดไม่ใช่รูปแบบ สามารถเขียนแบบ AR (p) stationary เป็นแบบ MA (infty) ได้ ตัวอย่างเช่นการใช้การทดแทนซ้ำเราสามารถแสดงให้เห็นถึงรูปแบบ AR (1) นี้: เริ่มต้นแอ็พพลิเคชัน amp phi1y et amp phi1 (phi1y e) และ amp phi12y phi1 e และ amp phi13y phi12e phi1 e และ amptext end Provided -1 lt phi1 lt 1 ค่าของ phi1k จะเล็กลงเมื่อ k มีขนาดใหญ่ขึ้น ดังนั้นในที่สุดเราจึงได้รับ yt et phi1 e phi12 e phi13 e cdots กระบวนการ MA (infty) ผลย้อนกลับถือถ้าเรากำหนดข้อ จำกัด บางประการเกี่ยวกับพารามิเตอร์ MA จากนั้นแบบจำลอง MA เรียกว่า invertible นั่นคือเราสามารถเขียนกระบวนการ MA (q) invertible เป็นกระบวนการ AR (infty) ได้ โมเดลที่ไม่สามารถผันกลับไม่ได้ทำให้เราสามารถแปลงจากโมเดล MA ไปเป็น AR ได้ พวกเขายังมีคุณสมบัติทางคณิตศาสตร์บางอย่างที่ช่วยให้สามารถใช้งานได้ง่ายขึ้น ข้อ จำกัด invertible มีความคล้ายคลึงกับข้อ จำกัด stationarity สำหรับแบบจำลอง MA (1): -1lttheta1lt1 สำหรับโมเดล MA (2): -1lttheta2lt1, theta2theta1 gt-1, theta1 - theta2 lt 1. เงื่อนไขที่ซับซ้อนมากขึ้นถือได้สำหรับ qge3 อีกครั้ง R จะดูแลข้อ จำกัด เหล่านี้เมื่อประมาณแบบจำลองการคาดการณ์การคาดการณ์พยากรณ์พื้นฐานหมายถึงกระบวนการของการใช้ขั้นตอนทางสถิติเพื่อคาดการณ์มูลค่าในอนาคตของชุดข้อมูลตามลำดับตามแนวโน้มทางประวัติศาสตร์ สำหรับธุรกิจการคาดการณ์ผลลัพธ์ที่คาดหวังในช่วงเวลาที่กำหนดเป็นสิ่งสำคัญสำหรับการจัดการการตลาดการวางแผนและการเงิน ตัวอย่างเช่นเอเจนซีโฆษณาอาจต้องการใช้การคาดการณ์ยอดขายเพื่อระบุว่าในอนาคตเดือนใดที่ต้องการค่าใช้จ่ายทางการตลาดที่เพิ่มขึ้น บริษัท อาจใช้การคาดการณ์ในการระบุว่าพนักงานขายรายใดสามารถบรรลุเป้าหมายที่คาดไว้ในไตรมาสบัญชีได้ มีหลายเทคนิคที่สามารถใช้เพื่อสร้างการคาดการณ์เชิงปริมาณได้ วิธีการบางอย่างค่อนข้างง่ายในขณะที่คนอื่นมีประสิทธิภาพมากขึ้นและรวมถึงปัจจัยภายนอก ไม่ว่าจะใช้อะไรก็ตามขั้นตอนแรกควรพิจารณาให้เห็นภาพโดยใช้กราฟเส้น คุณต้องการพิจารณาวิธีที่เมตริกเปลี่ยนแปลงตลอดเวลาไม่ว่าจะมีแนวโน้มที่แตกต่างกันหรือหากมีรูปแบบที่แตกต่างซึ่งน่าสนใจ มีแนวคิดหลักหลายประการที่เราควรตระหนักถึงเมื่ออธิบายข้อมูลชุดข้อมูลเวลา ลักษณะเหล่านี้จะบอกถึงวิธีที่เราประมวลผลข้อมูลล่วงหน้าและเลือกเทคนิคการสร้างแบบจำลองและพารามิเตอร์ที่เหมาะสม ในท้ายที่สุดเป้าหมายคือการทำให้รูปแบบข้อมูลในอดีตง่ายขึ้นโดยการลบแหล่งที่มาของความผันแปรและทำให้รูปแบบสอดคล้องกันมากขึ้นในชุดข้อมูลทั้งหมด รูปแบบที่เรียบง่ายโดยทั่วไปจะนำไปสู่การคาดการณ์ที่แม่นยำมากขึ้น แนวโน้ม: มีแนวโน้มเมื่อมีข้อมูลเพิ่มขึ้นหรือลดลงในระยะยาว ฤดูกาล: รูปแบบตามฤดูกาลเกิดขึ้นเมื่อชุดเวลามีผลตามปัจจัยฤดูกาลเช่นช่วงเวลาของปีหรือวันในสัปดาห์ ความสัมพันธ์กัน: หมายถึงพยาธิสภาพโดยที่ค่าของ Y ในเวลา t จะได้รับผลกระทบจากค่า Y ก่อนหน้าที่ t-i เมื่อต้องการค้นหาโครงสร้างความล่าช้าที่เหมาะสมและลักษณะของค่าความสัมพันธ์แบบอัตโนมัติในข้อมูลของคุณให้ใช้พล็อตฟังก์ชันความสัมพันธ์แบบอัตโนมัติ เครื่องเขียน: ชุดเวลาจะกล่าวว่าหยุดนิ่งหากไม่มีแนวโน้มเป็นระบบไม่มีการเปลี่ยนแปลงความแปรปรวนอย่างเป็นระบบและหากการเปลี่ยนแปลงตามฤดูกาลหรือฤดูกาลอย่างเคร่งครัดไม่มีอยู่เทคนิคการคาดการณ์เชิงปริมาณจะขึ้นอยู่กับการวิเคราะห์ reression หรือเทคนิคชุดเวลา วิธีการถดถอยตรวจสอบความสัมพันธ์ระหว่างตัวแปรที่คาดการณ์และตัวแปรอธิบายอื่น ๆ โดยใช้ข้อมูลตัดขวาง แบบจำลองของซีรีส์เวลาใช้ข้อมูลที่ได้รับการเก็บรวบรวมไว้ในช่วงเวลาปกติเป็นระยะ ๆ เพื่อหาค่าในอนาคตของตัวแปร variablle เป้าหมาย ไม่มีเวลาที่จะครอบคลุมทฤษฎีที่อยู่เบื้องหลังแต่ละวิธีการเหล่านี้ในโพสต์นี้ดังนั้น I8217ve เลือกที่จะครอบคลุมแนวคิดในระดับสูงและมีรหัสสำหรับการทำนายการคาดการณ์แบบเรียลไทม์ใน R. ฉันขอแนะนำให้เข้าใจทฤษฎีทางสถิติที่อยู่เบื้องหลังเทคนิคก่อนใช้งานโค้ด ขั้นแรกเราสามารถใช้ฟังก์ชัน ma ในแพ็กเกจคาดการณ์เพื่อคาดการณ์ได้โดยใช้วิธีเฉลี่ยถ่วงน้ำหนัก เทคนิคนี้ประเมินค่าในอนาคตในเวลา t โดยค่าเฉลี่ยของชุดข้อมูลเวลาภายใน k รอบระยะเวลา t เมื่อชุดเวลาเป็นนิ่งค่าเฉลี่ยเคลื่อนที่จะมีประสิทธิภาพมากเนื่องจากการสังเกตการณ์อยู่ใกล้ ๆ ในช่วงเวลา การตีความคำอธิบายที่เรียบง่ายเป็นสิ่งที่ดีเมื่อข้อมูลไม่มีแนวโน้มหรือรูปแบบตามฤดูกาล เทคนิคนี้ให้น้ำหนักมากกว่าข้อสังเกตล่าสุดของชุดข้อมูลเวลา ในแพคเกจการคาดการณ์มีฟังก์ชันคาดการณ์อัตโนมัติที่จะทำงานผ่านโมเดลที่เป็นไปได้และเลือกรูปแบบที่เหมาะสมที่สุดให้ข้อมูล นี่อาจเป็นรูปแบบการถดถอยของรถยนต์แบบอัตโนมัติ (AR (1)) รุ่น ARIMA ที่มีค่าด้านขวาสำหรับ p, d และ q หรืออย่างอื่นที่เหมาะสมกว่า มีคุณไปแนะนำขั้นพื้นฐานที่ไม่ใช่ทางเทคนิคในการคาดการณ์ นี้ควรได้รับหนึ่งที่คุ้นเคยกับแนวคิดที่สำคัญและวิธีการดำเนินการพยากรณ์พื้นฐานบางอย่างใน R ไม่เคยพลาดการอัพเดตสมัคร R-bloggers จะได้รับอีเมลที่มีโพสต์ R ล่าสุด (คุณจะไม่เห็นข้อความนี้อีก)