Začněte nyníZačněte zdarma

Automatické modely ARIMA pro nesezónní časové řady

Ve videu ses dozvěděl/a, že funkce auto.arima() automaticky vybere vhodný model autoregresivního integrovaného klouzavého průměru (ARIMA) pro danou časovou řadu – podobně jako funkce ets() pro modely ETS. Funkce summary() ti poskytne další užitečné informace:

> # p = 2, d = 1, p = 2
> summary(fit)

Series: usnetelec
ARIMA(2,1,2) with drift
...

V tomto cvičení automaticky zvolíš model ARIMA pro předem načtenou řadu austa, která obsahuje roční počty zahraničních návštěvníků Austrálie v letech 1980–2015. Pak zkontroluješ rezidua (p-hodnota větší než 0,05 znamená, že data připomínají bílý šum) a vytvoříš prognózy. Postup je prakticky totožný s tím, co jsi dělal/a u ETS prognózování.

Toto cvičení je součástí kurzu

Forecasting v R

Zobrazit kurz

Pokyny k cvičení

  • Přizpůsob automatický model ARIMA řadě austa pomocí nově představené funkce a výsledek ulož do proměnné fit.
  • Použij odpovídající funkci k ověření, že rezidua výsledného modelu připomínají bílý šum. Přiřaď TRUE (pokud rezidua bílý šum připomínají) nebo FALSE (pokud ne) do proměnné residualsok.
  • Aplikuj funkci summary() na model a prohlédni si odhadnuté koeficienty.
  • Na základě výsledků funkce summary() zjisti hodnotu AICc zaokrouhlenou na dvě desetinná místa a počet použitých diferencování. Přiřaď je do proměnných AICc, resp. d.
  • Nakonec pomocí operátoru pipe vykresli prognózy na příštích 10 období ze zvoleného modelu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Fit an automatic ARIMA model to the austa series
fit <- ___

# Check that the residuals look like white noise
___
residualsok <- ___

# Summarize the model
___

# Find the AICc value and the number of differences used
AICc <- ___
d <- ___

# Plot forecasts of fit
fit %>% forecast(h = ___) %>% ___()
Upravit a spustit kód