Analýza dat – porodnost

Teď využiješ nové znalosti a pečlivě přizpůsobíš model SARIMA časové řadě birth z balíčku astsa. Data zachycují měsíční počty živě narozených dětí (v tisících, sezónně upravené) ve Spojených státech v letech 1948–1979 a zahrnují i baby boom po druhé světové válce.

Data birth jsou vykreslena v R konzoli. Všimni si dlouhodobého trendu (náhodná procházka) a sezónní složky dat.

Toto cvičení je součástí kurzu

Modely ARIMA v R

Zobrazit kurz

Pokyny k cvičení

Pomocí diff() diferenciuj data (d_birth). Pomocí acf2() zobraz výběrový ACF a PACF těchto dat do zpoždění 60. Všimni si sezónní persistence.
Zavolej diff() ještě jednou a proveď sezónní diferenciaci dat. Výsledek ulož do dd_birth. Dalším voláním acf2() zobraz ACF a PACF těchto dat, opět do zpoždění 60. Dojdeš k závěru, že model SARIMA(0,1,1)x(0,1,1)₁₂ se jeví jako rozumná volba.
Přizpůsob model SARIMA(0,1,1)x(0,1,1)₁₂. Co se stane?
Přidej další AR parametr (nesezónní, p = 1), aby zachytil zbývající korelaci. Sedí model dobře?

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Plot P/ACF to lag 60 of differenced data
d_birth <- diff(birth)


# Plot P/ACF to lag 60 of seasonal differenced data
dd_birth <- diff(d_birth, lag = 12)


# Fit SARIMA(0,1,1)x(0,1,1)_12. What happens?


# Add AR term and conclude

Upravit a spustit kód