Globální oteplování

Teď, když už máš zkušenosti s fitováním modelu ARIMA na simulovaná data, přišel čas vyzkoušet si to na reálných datech.

Data v globtemp (z balíčku astsa) představují roční odchylky globální teploty až do roku 2015. V tomto cvičení využiješ osvědčené postupy k fitování modelu ARIMA na tato data. Graf dat vykazuje chování náhodné procházky, což naznačuje, že bys měl/a pracovat s diferencovanými daty. Diferencovaná data diff(globtemp) jsou také zobrazena.

Po vykreslení výběrové ACF a PACF diferencovaných dat diff(globtemp) můžeš říct, že:

ACF i PACF postupně doznívají, což naznačuje model ARIMA(1,1,1).
ACF se zkrátí na laggu 2 a PACF postupně doznívá, což naznačuje model ARIMA(0,1,2).
ACF postupně doznívá a PACF se zkrátí na laggu 3, což naznačuje model ARIMA(3,1,0). Přestože tento model funguje rozumně dobře, je ze tří možností nejhorší (můžeš si to ověřit), protože používá příliš mnoho parametrů na tak malé autokorelace.

Po nafitování prvních dvou modelů porovnej hodnoty AIC a BIC a vyber ten lepší.

Toto cvičení je součástí kurzu

Modely ARIMA v R

Zobrazit kurz

Pokyny k cvičení

Vykresli výběrovou ACF a PACF diferencovaných dat diff(globtemp) a zjisti, že se nabízejí 2 rozumné modely: ARIMA(1,1,1) a ARIMA(0,1,2).
Pomocí sarima() nafituj model ARIMA(1,1,1) na data globtemp. Jsou všechny parametry signifikantní?
Dalším voláním sarima() nafituj model ARIMA(0,1,2) na data globtemp. Jsou všechny parametry signifikantní? Který model je lepší?

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Plot the sample P/ACF pair of the differenced data 


# Fit an ARIMA(1,1,1) model to globtemp


# Fit an ARIMA(0,1,2) model to globtemp. Which model is better?

Upravit a spustit kód