有一个相关的问题 toursaltime如何工作.但是有关时间转换的相关信息告诉我,过去有时间转换的相关数据库.我的问题是ToUniversalTime如何预测,并知道何时将是2070年的DST变化? 解决方案 我的问题是ToUniversalTime如何预测,并知道何时将是2070年的DST变化? 不能.它没有对我们世界各国政府决定与他们的时区做什么的未来有任何特殊的见解. 世界上的任何本地时间都是由每个地方按其自己的标准设定的时区规则决定的.由于实用,政治或宗教的各种原因,这些时间一直在改变.为此,没有任何无所不能的国际理事机构,也没有任何规则必须执行的规则. 实际上,大多数政府在进行这些更改时倾向于 通知.通常,他们至少已经一年了.例如,美国在2005年在2005年宣布了2007 /p> 但并非总是如此.例如,所有这些更改均由我们在计算中使用的两个通用时区数据库跟踪和捕获.您可以在 the timezone tag wiki wiki 中阅读有关这些
以下是关于 forecasting 的编程技术问答
我正在尝试使用Arima对R中的股票价格进行预测.我正在使用auto.arima功能来适合我的模型.每次我尝试这样做时,我都会获得预测值相同的值.我尝试使用不同的股票,但在每种情况下都会发生同样的事情.在这里,我尝试了预测苹果价格: arimapple fitappletrain fitappletrain 预测 预测 和我获得的输出如下: Point Forecast Lo 80 Hi 80 Lo 95 Hi 95 17763 180.94 176.7350 185.1450 174.5090 187.3710 17764 180.94 174.9932 186.8868 171.8451 190.0349 17765 180.94 173.6567 188.2233 169.8011 192.0789 17766 180.94 172.5299 189.35
我正在使用 Air Miles 数据集,我进行了三个不同的测试,以检查时间序列数据集中的固定 测试1:使用ACF和PACF acf(airmiles) pacf(airmiles) 在区分它的大部分值之后,现在的大部分值都处于显着性水平 acf(diff(airmiles)) pacf(diff(airmiles)) 测试2:使用adf.test adf.test(airmiles,k=0,alternative = "stationary") Augmented Dickey-Fuller Test data: airmiles Dickey-Fuller = -1.1415, Lag order = 0, p-value = 0.8994 alternative hypothesis: stationary p值似乎大于0.05,因此我进行区分然后进行相同的测试 adf.test(diff(airmiles),k=0,al
我已经估计了一个BEKK(1,1)模型,现在我想拥有模型的预测值.以下是用于估计BEKK(1,1)型号的R代码. > install.packages('MTS') > install.packages('rmgarch') > simulated simulated estimated diagnoseBEKK(estimated) 解决方案 既然您的问题(是一个问题吗?)并没有真正清楚您要实现的目标(并混合包装/命令),我会回答我认为您想知道的内容. 首先,您描述的命令来自软件包 mgarchBEKK ,而不是MTS或rmgarch. 我会坚持您的示例,其中有两个
需要用该na 的过去三个值填充Na值 这是我的数据集 receip_month_year net_sales 0 2014-01-01 818817.20 1 2014-02-01 362377.20 2 2014-03-01 374644.60 3 2014-04-01 NA 4 2014-05-01 NA 5 2014-06-01 NA 6 2014-07-01 NA 7 2014-08-01 46382.50 8 2014-09-01 55933.70 9 2014-10-01 292303.40 10 2014-10-01 382928.60 解决方案 是此数据集A .CSV文件或数据框架.这个na是" nan"或string? import pandas as pd import numpy as np df=pd.read_csv('your dataset',sep=' ') df
i进行TS分析. 我的dput(). df=structure(list(month = structure(c(5L, 4L, 8L, 1L, 9L, 7L, 6L, 2L, 12L, 11L, 10L, 3L, 5L, 4L, 8L, 1L, 9L, 7L, 6L, 2L, 12L, 11L, 10L, 3L, 5L, 4L, 8L, 1L, 9L, 7L, 6L, 2L, 12L, 11L, 10L, 3L, 5L, 4L, 8L, 1L, 9L, 7L, 6L, 2L, 12L, 11L, 10L, 3L, 5L, 4L, 8L, 1L, 9L, 7L, 6L, 2L, 12L, 11L, 10L, 3L, 5L, 4L, 8L, 1L, 9L, 7L, 6L, 2L, 12L, 11L, 10L, 3L, 5L, 4L, 8L, 1L, 9L, 7L, 6L, 2L, 12L, 11L, 10L, 3L, 5L, 4L, 8L, 1L, 9L, 7L, 6L,
我目前正在处理非常小的数据集(20个观察结果,我知道这很糟糕).但是我需要以某种方式预测值.当我简单地在因变量上回归时间时,我就能得到一个预测,但是当我添加滞后或差异变量时,它不会预测未来一年以上.这是由于观察到太少吗? 这是我的上下文代码.这两条线已经评论了当前数据的更好拟合预测,但仅产生一个将来的预测. use "scrappage.dta", clear drop if year == 1993 tsappend, add(12) tsset year, y reg scrappagerate year *reg scrappagerate year l.scrappagerate l2.scrappagerate *reg scrappagerate year d.scrappagerate d2.scrappagerate predict p predict yp if year>year(2013) tsline yp p scrappagera
让我提供任何预测数据: df=structure(list(group = c(1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L), year = c(1973L, 1974L, 1975L, 1976L, 1977L, 1978L, 1973L, 1974L, 1975L, 1976L, 1977L, 1978L), Jan = c(9007L, 7750L, 8162L, 7717L, 7792L, 7836L, 9007L, 7750L, 8162L, 7717L, 7792L, 7836L), Feb = c(8106L, 6981L, 7306L, 7461L, 6957L, 6892L, 8106L, 6981L, 7306L, 7461L, 6957L, 6892L), Mar = c(8928L, 8038L, 8124L, 7767L, 7726L, 7791L, 8928L, 8038L, 8124L, 7