LoslegenKostenlos loslegen

Automatische ARIMA-Modelle für saisonale Zeitreihen

Wie du im Video gelernt hast, funktioniert die Funktion auto.arima() auch mit saisonalen Daten. Beachte, dass lambda = 0 in auto.arima() – also eine Log-Transformation – bedeutet, dass das Modell an die transformierten Daten angepasst wird und die Prognosen zurück auf die Originalskala transformiert werden.

Wenn du summary() auf ein derart angepasstes Modell anwendest, kann eine Ausgabe wie die folgende erscheinen, die \((p,d,q)(P,D,Q)[m]\) entspricht:

ARIMA(0,1,4)(0,1,1)[12]

In dieser Übung verwendest du diese Funktionen, um die vorab geladenen h02-Daten zu modellieren und vorherzusagen. Sie enthalten die monatlichen Verkaufszahlen von Kortikosteroid-Arzneimitteln in Australien.

Diese Übung ist Teil des Kurses

Prognosen mit R

Kurs anzeigen

Anleitung zur Übung

  • Zeichne mit der Standard-Plotfunktion die geloggten h02-Daten, um zu prüfen, ob die Varianz stabil ist.
  • Passe ein saisonales ARIMA-Modell an die h02-Reihe mit lambda = 0 an. Speichere es in fit.
  • Fasse das angepasste Modell mit der passenden Methode zusammen.
  • Welche Differenzierungsgrade wurden im Modell verwendet? Weise die Anzahl der Differenzierungen mit Lag 1 d und die saisonale Differenzierung D zu.
  • Plotte Prognosen für die nächsten 2 Jahre mit dem angepassten Modell. Setze h entsprechend.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Check that the logged h02 data have stable variance
h02 %>% ___ %>% ___

# Fit a seasonal ARIMA model to h02 with lambda = 0
fit <- ___

# Summarize the fitted model
___

# Record the amount of lag-1 differencing and seasonal differencing used
d <- ___
D <- ___

# Plot 2-year forecasts
fit %>% ___ %>% ___
Code bearbeiten und ausführen