Začněte nyníZačněte zdarma

Automatické modely ARIMA pro sezónní časové řady

Jak jsi viděl/a ve videu, funkce auto.arima() funguje i se sezónními daty. Nezapomeň, že nastavení lambda = 0 ve funkci auto.arima() – tedy aplikace logaritmické transformace – znamená, že model bude natrénován na transformovaných datech a předpovědi budou zpětně převedeny na původní škálu.

Po zavolání summary() na takto natrénovaný model se může zobrazit výstup podobný tomu níže, který odpovídá zápisu \((p,d,q)(P,D,Q)[m]\):

ARIMA(0,1,4)(0,1,1)[12]

V tomto cvičení použiješ tyto funkce k modelování a předpovídání předem načtených dat h02, která obsahují měsíční prodeje kortikosteroidních léků v Austrálii.

Toto cvičení je součástí kurzu

Forecasting v R

Zobrazit kurz

Pokyny k cvičení

  • Pomocí standardní funkce pro vykreslování vykresli logaritmovaná data h02 a ověř, že mají stabilní rozptyl.
  • Na řadu h02 natrénuj sezónní model ARIMA s parametrem lambda = 0. Výsledek ulož do proměnné fit.
  • Shrň natrénovaný model pomocí příslušné metody.
  • Jaké úrovně diferencování byly v modelu použity? Přiřaď hodnotu diferencování s krokem 1 do proměnné d a sezónního diferencování do proměnné D.
  • Vykresli předpovědi na příštích 2 roky pomocí natrénovaného modelu. Nastav hodnotu h odpovídajícím způsobem.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Check that the logged h02 data have stable variance
h02 %>% ___ %>% ___

# Fit a seasonal ARIMA model to h02 with lambda = 0
fit <- ___

# Summarize the fitted model
___

# Record the amount of lag-1 differencing and seasonal differencing used
d <- ___
D <- ___

# Plot 2-year forecasts
fit %>% ___ %>% ___
Upravit a spustit kód