Comment adapter un modèle TBATS dans R (avec exemple)

Une méthode de prévision de séries chronologiques populaire est connue sous le nom de TBATS , qui est l’acronyme de :

• Saisonnalité trigonométrique
• Transformation de Box -Cox
• Une erreur RMA
• Tendance
• Composants saisonniers .

Cette méthode s’adapte à une variété de modèles avec et sans :

• Saisonnalité
• Une transformation Box-Cox
• Processus ARMA(p,q)
• Diverses tendances
• Divers effets saisonniers

Cette méthode choisira le modèle avec la valeur la plus basse pour la valeur du critère d’information d’Akaike (AIC) comme modèle final.

Le moyen le plus simple d’adapter un modèle TBATS à un ensemble de données de séries chronologiques dans R consiste à utiliser la fonction tbats du package de prévision .

L’exemple suivant montre comment utiliser cette fonction dans la pratique.

Exemple : Comment adapter un modèle TBATS dans R

Pour cet exemple, nous utiliserons l’ensemble de données R intégré appelé USAccDeaths , qui contient les valeurs du nombre total de décès accidentels mensuels aux États-Unis de 1973 à 1978 :

#view USAccDeaths dataset
USAccDeaths

       Jan   Feb   Mar   Apr   May   Jun   Jul   Aug   Sep   Oct   Nov   Dec
1973  9007  8106  8928  9137 10017 10826 11317 10744  9713  9938  9161  8927
1974  7750  6981  8038  8422  8714  9512 10120  9823  8743  9129  8710  8680
1975  8162  7306  8124  7870  9387  9556 10093  9620  8285  8466  8160  8034
1976  7717  7461  7767  7925  8623  8945 10078  9179  8037  8488  7874  8647
1977  7792  6957  7726  8106  8890  9299 10625  9302  8314  8850  8265  8796
1978  7836  6892  7791  8192  9115  9434 10484  9827  9110  9070  8633  9240

Nous pouvons utiliser le code suivant pour adapter un modèle TBATS à cet ensemble de données et faire des prédictions sur les valeurs des mois à venir :

library(forecast)

#fit TBATS model
fit <- tbats(USAccDeaths)

#use model to make predictions
predict <- predict(fit)

#view predictions      
predict

         Point Forecast     Lo 80     Hi 80    Lo 95     Hi 95
Jan 1979       8307.597  7982.943  8632.251 7811.081  8804.113
Feb 1979       7533.680  7165.539  7901.822 6970.656  8096.704
Mar 1979       8305.196  7882.740  8727.651 7659.106  8951.286
Apr 1979       8616.921  8150.753  9083.089 7903.978  9329.864
May 1979       9430.088  8924.028  9936.147 8656.137 10204.038
Jun 1979       9946.448  9403.364 10489.532 9115.873 10777.023
Jul 1979      10744.690 10167.936 11321.445 9862.621 11626.760
Aug 1979      10108.781  9499.282 10718.280 9176.632 11040.929
Sep 1979       9034.784  8395.710  9673.857 8057.405 10012.162
Oct 1979       9336.862  8668.087 10005.636 8314.060 10359.664
Nov 1979       8819.681  8124.604  9514.759 7756.652  9882.711
Dec 1979       9099.344  8376.864  9821.824 7994.407 10204.282
Jan 1980       8307.597  7563.245  9051.950 7169.208  9445.986
Feb 1980       7533.680  6769.358  8298.002 6364.750  8702.610
Mar 1980       8305.196  7513.281  9097.111 7094.067  9516.325
Apr 1980       8616.921  7800.849  9432.993 7368.847  9864.995
May 1980       9430.088  8590.590 10269.585 8146.187 10713.988
Jun 1980       9946.448  9084.125 10808.771 8627.639 11265.257
Jul 1980      10744.690  9860.776 11628.605 9392.859 12096.522
Aug 1980      10108.781  9203.160 11014.402 8723.753 11493.809
Sep 1980       9034.784  8109.000  9960.567 7618.920 10450.647
Oct 1980       9336.862  8390.331 10283.392 7889.269 10784.455
Nov 1980       8819.681  7854.387  9784.976 7343.391 10295.972
Dec 1980       9099.344  8114.135 10084.554 7592.597 10606.092

Le résultat montre le nombre de décès prévu pour les mois à venir ainsi que les intervalles de confiance de 80 % et 95 %.

Par exemple, nous pouvons voir les prédictions suivantes pour janvier 1979 :

• Nombre de décès prévu : 8 307 597
• Intervalle de confiance à 80 % pour le nombre de décès : [7 982,943, 8 632,251]
• Intervalle de confiance à 95 % pour le nombre de décès : [7 811,081, 8 804,113]

Nous pouvons également utiliser la fonction plot() pour tracer ces valeurs futures prédites :

#plot the predicted values
plot(forecast(fit))

La ligne bleue représente les valeurs futures prédites et les bandes grises représentent les limites de l’intervalle de confiance.

Ressources additionnelles

Les didacticiels suivants expliquent comment effectuer d’autres tâches courantes dans R :

Comment tracer une série chronologique dans R
Comment effectuer une régression linéaire simple dans R
Comment effectuer une régression linéaire multiple dans R