案例代写：QBUS2820 Assignment 2——CPI时间序列预测

背景与任务说明

目标：构建一个时间序列模型来预测特定领域的消费者价格指数（CPI），并基于给定的季度历史数据进行未来值的预测。本次任务使用了CPI_train.csv数据集，涵盖1997年3月至2021年12月的季度CPI数据（共100个数据点）。预测结果需提交在CSV文件中，并包括相应的测试误差。

测试误差计算

预测的准确性通过均方误差（MSE）来衡量，公式如下：
[
\text{test error} = \frac{1}{8} \sum_{h=1}^{8} \left(\hat{y}{T+h|1:T} - y{T+h}\right)^2
]
其中，$\hat{y}{T+h|1:T}$表示基于训练数据的第h步预测值，而$y{T+h}$为测试数据的真实值。

提交要求

1. Python代码文件：命名为SID_implementation.ipynb，包括完整的数据分析过程，并输出测试误差。

2. 预测结果CSV文件：命名为CPI_forecast.csv，需包含两列：

   • Quarter：表示季度
   • CPI：对应季度的预测CPI值

3. 代码运行要求：Python文件中需要固定随机种子，以确保结果可重复性，示例如np.random.seed(0)。

4. 文件结构：

   • 数据处理、可视化、预测模型的代码及解释。
   • 代码组织需清晰，包含Markdown解释说明，确保可读性。

分数分配标准

本次作业满分为30分：

• 预测准确度（15分）：基于MSE评分并与其他提交结果进行对比。
• Notebook展示和数据分析过程（15分）：包括Notebook的清晰度、代码组织和解释、以及模型选择的合理性。
• CSV文件格式（-2分）：若未正确提交格式，将扣分。

实施步骤

1. 数据读取与预处理：

   • 导入CPI_train.csv文件，进行缺失值处理与时间序列分析准备。

2. 探索性数据分析（EDA）：

   • 使用可视化展示数据趋势，分析季节性、趋势和周期性。

3. 模型选择与构建：

   • 选择适合的时间序列模型（如ARIMA、SARIMA、Prophet等）。
   • 训练模型并调优，确保其对季度数据的预测能力。

4. 预测与评估：

   • 生成未来8个季度的预测值。
   • 计算预测值的MSE，以测试误差作为评估标准。

5. 结果导出：

   • 将预测结果存入CPI_forecast.csv文件。
   • 输出测试误差，以供评分使用。

提交格式

• Jupyter Notebook：文件命名为SID_implementation.ipynb，包含代码及详细解释。
• CSV文件：包含未来8个季度的CPI预测值。
• 注意事项：确保代码可运行，并符合Notebook的格式要求。

参考资料

• CPI计算和分析方法：https://www.abs.gov.au/
• Python时间序列分析工具库（如statsmodels, prophet, pandas

联系我们

WeChat：pythonyt001
Email: [email protected]