You will  investigate the nature of time series data and learn the basics of ARMA models that can explain the behavior of such data.  You will learn the basic R commands needed to help set up raw time series data to a form that can be analyzed using ARMA models.

First things first

Data play

Elements of time series

Stationarity and nonstationarity

Differencing

Detrending data

Dealing with trend and heteroscedasticity

Stationary time series: ARMA

Simulating ARMA models

Time Series Data and Models

You will discover the wonderful world of ARMA models and how to fit these models to time series data. You will learn how to identify a model, how to choose the correct model, and how to verify a model once you fit it to data.  You will learn how to use R time series commands from the stats and astsa packages.

AR- und MA-Modelle

Ein AR(1)-Modell anpassen

Ein AR(2)-Modell anpassen

Ein MA(1)-Modell anpassen

AR und MA zusammen

Ein ARMA-Modell anpassen

Ein ARMA-Modell identifizieren

Modellwahl und Residuenanalyse

Modellwahl – I

Modellauswahl – II

Residuenanalyse – I

Residualanalyse – II

ARMA rein da

Fitting ARMA models

Now that you know how to fit ARMA models to stationary time series, you will learn about integrated ARMA (ARIMA) models for nonstationary time series.  You will fit the models to real data using R time series commands from the stats and astsa packages.

ARIMA - integrated ARMA

ARIMA - plug and play

Simulated ARIMA

Global warming

ARIMA diagnostics

Diagnostics - simulated overfitting

Diagnostics - global temperatures

Forecasting ARIMA

Forecasting simulated ARIMA

Forecasting global temperatures

ARIMA Models

You will learn how to fit and forecast seasonal time series data using seasonal ARIMA models. This is accomplished using what you learned in the previous chapters and by learning how to extend the R time series commands available in the stats and astsa packages.

Pure seasonal models

P/ACF of pure seasonal models

Fit a pure seasonal model

Mixed seasonal models

Fit a mixed seasonal model

Data analysis - unemployment I

Data analysis - unemployment II

Data analysis - commodity prices

Data analysis - birth rate

Forecasting seasonal ARIMA

Forecasting monthly unemployment

How hard is it to forecast commodity prices?

Congratulations!

Seasonal ARIMA

In diesem Kurs wirst du lernen, ARIMA-Modelle für Zeitreihen mit R sicher zu erstellen. Zunächst erkundest du die Eigenschaften von Zeitreihendaten mit den Werkzeugen aus dem R-Paket stats. Danach lernst du, wie du verschiedene ARMA-Modelle auf simulierte Daten anpasst (bei denen du das korrekte Modell kennst) – mit dem R-Paket astsa. Sobald die Grundlagen sitzen, erfährst du, wie du integrierte ARMA-Modelle, also ARIMA-Modelle, auf verschiedene reale Datensätze anwendest. Du lernst, wie du die Gültigkeit eines ARIMA-Modells überprüfst und wie du Zeitreihen vorhersagst. Abschließend siehst du, wie du ARIMA-Modelle auf saisonale Daten anpasst, inklusive Forecasting mit dem Paket astsa.

Time Series Analysis in R

In diesem Kurs lernen Sie, ARIMA-Modelle mit R auf Zeitreihendaten anzuwenden.

ARIMA-Modelle in R

Werde zum Profi im Anpassen von ARIMA-Modellen (autoregressive integrierte gleitende Durchschnitte) an Zeitreihendaten mit R.

Quantitativer Analyst  in R

Zeitreihen  mit R

Ein ARMA-Modell identifizieren

Interaktive praktische Übung