Daten detrenden

Wie du in der vorherigen Übung gesehen hast, eignet sich Differencing in der Regel gut, um Trends aus Zeitreihendaten zu entfernen. Zur Erinnerung: Beim Differencing wird die Differenz zwischen dem Wert einer Zeitreihe zu einem bestimmten Zeitpunkt und dem unmittelbar vorherigen Wert betrachtet.

In dieser Übung wirst du mit diff() differenzieren, um reale Zeitreihendaten zu detrenden und zu plotten.

Diese Übung ist Teil des Kurses

<Kurs>ARIMA-Modelle in R</Kurs>

Übungsanweisungen

Das Paket astsa ist vorab geladen.
Erzeuge einen Mehrfach-Plot, der die globalen Temperaturdaten (globtemp) mit der detrendeten Reihe vergleicht. Du kannst einen Mehrfach-Plot erstellen, indem du den vorgegebenen par()-Befehl ausführst, gefolgt von zwei separaten Aufrufen von plot().
Erzeuge einen weiteren Mehrfach-Plot, der die wöchentliche kardiovaskuläre Mortalität im Los Angeles County (cmort) mit der detrendeten Reihe vergleicht.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Plot globtemp and detrended globtemp
par(mfrow = c(2,1))
plot(globtemp) 


# Plot cmort and detrended cmort
par(mfrow = c(2,1))
plot(cmort)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>ARIMA-Modelle in R</Kurs>

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

Aktuelle Übung

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!