Einfaches gleitendes Durchschnittsmodell schätzen

Nachdem du einige MA-Modelle simuliert und die ACF daraus berechnet hast, passt du als Nächstes das einfache Moving-Average-(MA-)Modell mit dem Befehl arima() an Daten an. Für eine gegebene Zeitreihe x können wir das einfache MA-Modell mit arima(..., order = c(0, 0, 1)) schätzen. Zur Erinnerung: Ein MA-Modell ist ein ARIMA(0, 0, 1)-Modell.

In dieser Übung arbeitest du mit einer vorab geladenen Zeitreihe (x, in der Grafik rechts gezeigt) sowie mit dem Nile-Datensatz aus früheren Kapiteln.

Diese Übung ist Teil des Kurses

Zeitreihenanalyse in R

Kurs anzeigen

Anleitung zur Übung

Verwende arima(), um das MA-Modell an die Reihe x anzupassen.
Welche Schätzwerte liefert deine arima()-Ausgabe für Steigung (ma1), Mittelwert (intercept) und Innovationsvarianz (sigma^2)? Füge diese in deinen Workspace ein.
Verwende einen ähnlichen Aufruf von arima(), um das MA-Modell an die Nile-Daten anzupassen. Speichere die Ergebnisse als MA und gib die Ausgabe mit print() aus.
Nutze abschließend die vorgegebenen Befehle, um die Nile-Daten und deine angepassten MA-Werte zu plotten.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Fit the MA model to x
arima(___, order = ___)

# Paste the slope (ma1) estimate below


# Paste the slope mean (intercept) estimate below


# Paste the innovation variance (sigma^2) estimate below


# Fit the MA model to Nile
MA <- arima(___, order = ___)
print(MA)

# Plot Nile and MA_fit 
ts.plot(Nile)
MA_fit <- Nile - resid(MA)
points(MA_fit, type = "l", col = 2, lty = 2)

Code bearbeiten und ausführen