Nafituj smíšený sezónní model
Čistě sezónní závislost, jakou jsme prozkoumali dříve v této kapitole, je poměrně vzácná. Většina sezónních časových řad má smíšenou závislost – to znamená, že sezónní trendy vysvětlují jen část variability.
Připomeň si, že úplný sezónní model se označuje jako SARIMA(p,d,q)x(P,D,Q)S, kde velká písmena označují sezónní řády.
Toto cvičení tě opět vyzývá k porovnání výběrového páru P/ACF se skutečnými hodnotami pro simulovaná sezónní data a k nafitování modelu pomocí sarima(). Tentokrát pocházejí simulovaná data ze smíšeného sezónního modelu SARIMA(0,0,1)x(0,0,1)12. Grafy zobrazují tři roky dat spolu s teoretickým ACF a PACF modelu. Všimni si, že na rozdíl od čistě sezónního modelu se korelace objevují jak na sezónních, tak na nesezónních zpožděních.
Balíček astsa je jako vždy předem načtený. Vygenerovaná data jsou uložena v x.
Toto cvičení je součástí kurzu
Modely ARIMA v R
Pokyny k cvičení
- Vykresli výběrové ACF a PACF vygenerovaných dat do zpoždění 60 (
max.lag = 60) a porovnej je se skutečnými hodnotami. - Nafituj model na vygenerovaná data (
x) pomocísarima(). Stejně jako v předchozím cvičení nezapomeň v příkazusarima()zadat i dodatečné sezónní argumenty.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Plot sample P/ACF pair to lag 60 and compare to actual
# Fit the seasonal model to x