Automatische ARIMA-Modelle für nicht-saisonale Zeitreihen
Im Video hast du gelernt, dass die Funktion auto.arima() für eine gegebene Zeitreihe ein geeignetes autoregressive integrated moving average (ARIMA)-Modell auswählt – ähnlich wie ets() dies für ETS-Modelle macht. Mit summary() erhältst du zusätzliche Einblicke:
> # p = 2, d = 1, p = 2
> summary(fit)
Series: usnetelec
ARIMA(2,1,2) with drift
...
In dieser Übung wählst du automatisch ein ARIMA-Modell für die vorab geladene Serie austa aus. Sie enthält die jährliche Zahl internationaler Besucher in Australien von 1980 bis 2015. Danach prüfst du die Residuen (denk daran: Ein p-Wert größer als 0,05 deutet darauf hin, dass die Daten weißem Rauschen ähneln) und erstellst einige Vorhersagen. Abgesehen von der Modellfunktion ist das identisch mit dem, was du beim ETS-Forecasting gemacht hast.
Diese Übung ist Teil des Kurses
Prognosen mit R
Anleitung zur Übung
- Fitte ein automatisches ARIMA-Modell auf die Serie
austamit der neu eingeführten Funktion. Speichere es infit. - Verwende die passende Funktion, um zu prüfen, ob die Residuen des resultierenden Modells wie weißes Rauschen aussehen. Weise
TRUE(wenn die Residuen wie weißes Rauschen aussehen) oderFALSE(wenn nicht)residualsokzu. - Wende
summary()auf das Modell an, um die geschätzten Koeffizienten zu sehen. - Basierend auf den Ergebnissen aus
summary(): Wie groß ist der AICc-Wert auf zwei Dezimalstellen? Wie viele Differenzen wurden verwendet? Weise diese entsprechendAICcunddzu. - Plotte schließlich mit dem Pipe-Operator Vorhersagen für die nächsten 10 Perioden aus dem gewählten Modell.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Fit an automatic ARIMA model to the austa series
fit <- ___
# Check that the residuals look like white noise
___
residualsok <- ___
# Summarize the model
___
# Find the AICc value and the number of differences used
AICc <- ___
d <- ___
# Plot forecasts of fit
fit %>% forecast(h = ___) %>% ___()