Daten erkunden

Im Video hast du verschiedene Datentypen gesehen. In dieser Übung plottest du zusätzliche Zeitreihen und vergleichst sie mit dem, was du im Video gesehen hast. Es ist hilfreich, darüber nachzudenken, wie diese Zeitreihen im Vergleich zu den Serien aus dem Video aussehen. Konzentriere dich dabei besonders auf Art des Trends, Saisonalität bzw. Periodizität und Homoskedastizität.

Bevor du einen Datensatz zum ersten Mal verwendest, solltest du über das Hilfesystem die Details dazu ansehen. Verwende zum Beispiel help(AirPassengers) oder ?AirPassengers, um dir die Eigenschaften der Serie anzusehen.

Diese Übung ist Teil des Kurses

ARIMA-Modelle in R

Anleitung zur Übung

Die Pakete astsa und xts sind in deiner R-Umgebung vorinstalliert.
Verwende help(), um die Details der AirPassengers-Datei aufzurufen.
Nutze plot(), um die Fluggast-Zeitreihe (AirPassengers) zu plotten, und vergleiche sie mit einer Serie aus dem Video.
Plotte die täglichen Schlusskurse des DJIA (djia$Close) und vergleiche sie mit einer Serie aus dem Video.
Plotte den Southern Oscillation Index (soi) und untersuche ihn auf Trend, Saisonalität und Homoskedastizität.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# View a detailed description of AirPassengers


# Plot AirPassengers


# Plot the DJIA daily closings


# Plot the Southern Oscillation Index

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

Aktuelle Übung

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 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!