Analýza dat – nezaměstnanost II
Teď budeš pokračovat v natrénování modelu SARIMA na měsíční časové řadě nezaměstnanosti v USA unemp. Podíváš se na výběrové ACF a PACF plně diferencované řady.
Pamatuj, že osa zpoždění ve výsledném grafu P/ACF je vyjádřena v letech. Zpoždění 1, 2, 3, … tedy odpovídají 1 roku (12 měsícům), 2 rokům (24 měsícům), 3 rokům (36 měsícům) atd.
Balíček astsa je opět předem načtený.
Toto cvičení je součástí kurzu
Modely ARIMA v R
Pokyny k cvičení
- Plně diferencuj data (jako v předchozím cvičení) a vykresli výběrové ACF a PACF transformované řady až do zpoždění 60 měsíců (5 let). Vezmi v úvahu, že:
- nesezónní složka: PACF se odřízne u zpoždění 2 a ACF postupně klesá.
- sezónní složka: ACF se odřízne u zpoždění 12 a PACF postupně klesá u zpoždění 12, 24, 36, …
- Navrhni a natrénuj model pomocí
sarima(). Zkontroluj rezidua, abys ověřil/a vhodnost zvoleného modelu.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Plot P/ACF pair of fully differenced data to lag 60
dd_unemp <- diff(diff(unemp), lag = 12)
# Fit an appropriate model