Je model white noise nebo random walk stacionární?

Modely white noise (WN) a random walk (RW) jsou si velmi podobné. Jen RW je však vždy nestacionární – a to jak s driftem, tak bez něj. Toto simulační cvičení ti pomůže pochopit rozdíly mezi nimi.

Připomeň si, že pokud vezmeme proces WN s nulovou střední hodnotou a vypočítáme jeho kumulativní součet, dostaneme proces RW. Tuto transformaci za tebe provede funkce cumsum(). Podobně platí, že pokud vytvoříme proces WN s nenulovou střední hodnotou a spočítáme jeho kumulativní součet, výsledkem bude RW proces s driftem.

Toto cvičení je součástí kurzu

Analýza časových řad v R

Zobrazit kurz

Pokyny k cvičení

Pomocí arima.sim() vygeneruj model WN. Nastav argument model na list(order = c(0, 0, 0)), čímž určíš typ modelu WN, a argument n nastav na 100, aby série obsahovala 100 pozorování. Výsledek ulož do proměnné white_noise.
Aplikuj funkci cumsum() na white_noise, čímž rychle převedeš model WN na data RW. Výsledek ulož do proměnné random_walk.
Podobným voláním arima.sim() vygeneruj druhý model WN. Ponech všechny argumenty stejné, ale tentokrát nastav argument mean na 0.4. Výsledek ulož do proměnné wn_drift.
Pomocí dalšího volání cumsum() převeď data wn_drift na RW. Výsledek ulož do proměnné rw_drift.
Spusť předpřipravený kód, který vykreslí všechny čtyři série pro porovnání.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Use arima.sim() to generate WN data
white_noise <- 

# Use cumsum() to convert your WN data to RW
random_walk <- 
  
# Use arima.sim() to generate WN drift data
wn_drift <- 
  
# Use cumsum() to convert your WN drift data to RW
rw_drift <- 

# Plot all four data objects
plot.ts(cbind(white_noise, random_walk, wn_drift, rw_drift))

Upravit a spustit kód