在预测包上应用lapply函数(准确性和auto.arima)

Question

我从fpp2包中获取数据集，并从预测包auto.arima中获取函数。因为我同时预测了几个时间序列，所以我使用了自己的函数，可以同时进行几个投影。

# 
library(fpp2) # data
library(dplyr)
library(forecast)

MY_DATA<-uschange[,1:4]

Trening_set<-subset(MY_DATA,start=1,end=150) # Training set
Test_set<-subset(MY_DATA,start=151,end=187) # Test set 20% of observations

# 1.Own functions for forecasting
FORECASTING_FUNCTION_ARIMA <- function(Z, hrz = 16) {
  timeseries <- msts(Z, start = 1970, seasonal.periods = 4)
  forecast <- auto.arima(timeseries)
  #ic = c("bic")
}
FORECASTING_LIST_ARIMA <- lapply(X = Trening_set, FORECASTING_FUNCTION_ARIMA)
ARIMA_MODELS_FORECAST<-lapply(FORECASTING_LIST_ARIMA, forecast,h=37)

为了查看此模型的准确性，我使用了lapply function.So代码，您可以看到以下结果：

# Accurancy test
ACCURANCY_ARIMA <- lapply(FORECASTING_LIST_ARIMA,  accuracy)

因此，下一步应该是如何使用相同的函数，以便产生与上一个示例相同的精度误差，但现在使用测试集。我尝试使用下面的代码，但是有些地方出错了，我不能得到好的结果。

 ACCURANCY_ARIMA1<-lapply(FORECASTING_LIST_ARIMA, accuracy(forecast(ARIMA_MODELS_ALL,h=37),x=Test_set))

如果此函数工作正常，则输出应如下表所示(数字仅用于说明)。

​

​

所以谁能帮助我如何修复这个代码行，并得到类似上一张图片的输出。

Answer 1

您可以尝试：

library(forecast)

ACCURACY_ARIMA <- Map(function(x, y) accuracy(forecast(x, h = 37), 
        x = Test_set[, y]), FORECASTING_LIST_ARIMA, seq_len(ncol(Test_set)))

ACCURACY_ARIMA
#$Consumption
#                   ME RMSE  MAE MPE MAPE MASE  ACF1 Theil's U
#Training set  0.00082 0.61 0.45  62  192 0.66 0.018        NA
#Test set     -0.44644 0.66 0.49 165  346 0.72 0.629      0.67

#$Income
#                   ME RMSE  MAE MPE MAPE MASE   ACF1 Theil's U
#Training set  4.2e-15 0.86 0.60  40  163 0.63 -0.056        NA
#Test set     -3.4e-01 1.18 0.69  20  212 0.72 -0.326      0.65

#$Production
#                  ME RMSE  MAE MPE MAPE MASE   ACF1 Theil's U
#Training set  0.0094  1.3 0.88  36  114 0.59 -0.021        NA
#Test set     -0.6538  1.8 1.05  18  124 0.71  0.771         1

#$Savings
#              ME RMSE  MAE MPE MAPE MASE   ACF1 Theil's U
#Training set 1.2   12  8.1 111  176 0.65 -0.012        NA
#Test set     2.5   19 11.9 101  101 0.96 -0.356      0.97