Simuliertes ARIMA

Bevor du reale Zeitreihendaten analysierst, solltest du mit einem etwas komplexeren Modell üben.

Hier wurden 250 Beobachtungen aus dem ARIMA(2,1,0)-Modell mit Drift generiert, gegeben durch $$Y_t = 1 + 1.5 Y_{t-1} - .75 Y_{t-2} + W_t\,$$ wobei \(Y_t = \nabla X_t = X_{t} - X_{t-1}\).

Du wirst die etablierten Techniken verwenden, um ein Modell an die Daten anzupassen.

Das Paket astsa ist vorab geladen und die generierten Daten liegen in x vor. Die Serie x und die differenzierte Serie y <- diff(x) wurden bereits geplottet.

Diese Übung ist Teil des Kurses

ARIMA-Modelle in R

Anleitung zur Übung

Plotte die Stichproben-ACF und -PACF der differenzierten Daten diff(x) mit acf2(), um ein Modell zu bestimmen.
Passe ein ARIMA(2,1,0)-Modell mit sarima() an die generierten Daten an. Untersuche die t-Tabelle und weitere Ausgaben, um die Modellgüte zu beurteilen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Plot sample P/ACF of differenced data and determine model



# Estimate parameters and examine output

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

ARIMA-Modelle in R

Geringe SchwierigkeitSchwierigkeitsgrad

4.9+

Kurs kostenlos starten

Du untersuchst die Eigenschaften von Zeitreihendaten und lernst die Grundlagen von ARMA-Modellen kennen, die das Verhalten solcher Daten erklären. Außerdem lernst du die grundlegenden R-Befehle, um rohe Zeitreihendaten so aufzubereiten, dass sie mit ARMA-Modellen analysiert werden können.

Exercise 1: Erstmal das Wichtigste Exercise 2: Daten erkunden Exercise 3: Bestandteile von Zeitreihen Exercise 4: Stationarität und Nichtstationarität Exercise 5: Differenzbildung Exercise 6: Daten detrenden Exercise 7: Umgang mit Trend und Heteroskedastizität Exercise 8: Stationäre Zeitreihen: ARMA Exercise 9: ARMA-Modelle simulieren

Du entdeckst die Welt der ARMA-Modelle und wie du diese auf Zeitreihen anpasst. Du lernst, wie du ein Modell identifizierst, das richtige Modell auswählst und es nach der Anpassung prüfst. Außerdem verwendest du R-Befehle für Zeitreihen aus den Paketen stats und astsa.

Exercise 1: AR- und MA-Modelle Exercise 2: Ein AR(1)-Modell anpassen Exercise 3: Ein AR(2)-Modell anpassen Exercise 4: Ein MA(1)-Modell anpassen Exercise 5: AR und MA zusammen Exercise 6: Ein ARMA-Modell anpassen Exercise 7: Ein ARMA-Modell identifizieren Exercise 8: Modellwahl und Residuenanalyse Exercise 9: Modellwahl – I Exercise 10: Modellauswahl – II Exercise 11: Residuenanalyse – I Exercise 12: Residualanalyse – II Exercise 13: ARMA rein da

Nachdem du weißt, wie man ARMA-Modelle auf stationäre Zeitreihen anpasst, lernst du integrierte ARMA- (ARIMA-) Modelle für nichtstationäre Zeitreihen kennen. Du passt die Modelle auf reale Daten an – mit R-Zeitreihenbefehlen aus den Paketen stats und astsa.

Exercise 1: ARIMA – integriertes ARMA Exercise 2: ARIMA – Plug-and-Play Exercise 3: Simuliertes ARIMA

Aktuelle Übung

Exercise 4: Globale Erwärmung Exercise 5: ARIMA-Diagnostik Exercise 6: Diagnostik – simuliertes Overfitting Exercise 7: Diagnostik – globale Temperaturen Exercise 8: ARIMA-Vorhersage Exercise 9: Prognosen mit simuliertem ARIMA Exercise 10: Prognose globaler Temperaturen

Du lernst, saisonale Zeitreihen mit saisonalen ARIMA-Modellen zu modellieren und zu prognostizieren. Das gelingt mit dem Wissen aus den vorherigen Kapiteln und durch die Erweiterung der R-Zeitreihenbefehle aus den Paketen stats und astsa.

Exercise 1: Reine saisonale Modelle Exercise 2: P/ACF reiner saisonaler Modelle Exercise 3: Ein reines saisonales Modell anpassen Exercise 4: Gemischte saisonale Modelle Exercise 5: Gemischtes saisonales Modell anpassen Exercise 6: Datenanalyse – Arbeitslosigkeit I Exercise 7: Datenanalyse – Arbeitslosigkeit II Exercise 8: Datenanalyse – Rohstoffpreise Exercise 9: Datenanalyse – Geburtenrate Exercise 10: Saisonale ARIMA vorhersagen Exercise 11: Monatliche Arbeitslosigkeit vorhersagen Exercise 12: Wie schwer ist es, Rohstoffpreise zu prognostizieren?Exercise 13: Glückwunsch!