【发布时间】：2019-08-27 15:38:51
【问题描述】：
这是数据： 日期以月为单位，在我的示例中为 24（24 个月或 2 年）
l <- data.frame(date = c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24))
k <- data.frame(cost = c(25,20,18,15,5,0,0,0,10,15,30,40,45,34,26,20,10,7,4,4,15,34,57,62))
m <- cbind(l,k)
ggplot(m, aes(m$date,m$cost)) + geom_line()
图形输出：
什么是好的预测模型？如果我对所有最大值进行子集化并对所有最小值进行子集化，我想我可以使用多项式回归。请参阅下图以更好地理解。 （红色代表最大值，蓝色代表最小值，线条是用油漆创建的来解释一个点）
另一种方式，我不知道它叫什么，但我认为他们用它来预测天气， 不确定获得下面蓝线的公式是什么样的。 （请看下图更好地理解）
获得蓝色拟合线以预测以红色突出显示的点的适当公式是什么？
【问题讨论】：
-
看起来像时间序列数据。如果您有更多数据，请使用检查趋势/季节性的模型之一（检查
forecast包）。是每天/每月/每年吗？ -
从未使用过预测包，我想我可以使用回归公式来预测这一点。但我的数据很大，每月一次。我想预测 1990-2019 年的股票成本。我正在研究的这只股票的数据与此示例类似。
-
是回归，前缀
auto -
假设我想预测第 27 个月和第 30 个月的成本，我将如何获得这些值？例如，在 summary(lm()) 中，我得到了截距值和其他可以帮助我计算点的值
-
回归不是解决此问题的正确工具。您的数据是时间序列数据（因为它是每月）。您应该研究自回归。尝试搜索“R 预测时间序列简介”之类的内容。这应该可以帮助您解决问题！
标签： r graph statistics regression prediction