Calentamiento global

Ahora que ya tienes experiencia ajustando un modelo ARIMA a datos simulados, tu siguiente tarea es aplicar tus habilidades a datos del mundo real.

Los datos en globtemp (de astsa) son las desviaciones anuales de la temperatura global hasta 2015. En este ejercicio, usarás técnicas consolidadas para ajustar un modelo ARIMA a estos datos. Un gráfico de la serie muestra un comportamiento de paseo aleatorio, lo que sugiere que deberías trabajar con los datos diferenciados. Los datos diferenciados diff(globtemp) también están representados.

Tras representar la ACF y la PACF muestrales de los datos diferenciados diff(globtemp), puedes concluir que:

La ACF y la PACF decrecen gradualmente, lo que implica un modelo ARIMA(1,1,1).
La ACF se corta en el retardo 2 y la PACF decrece gradualmente, lo que implica un ARIMA(0,1,2).
La ACF decrece gradualmente y la PACF se corta en el retardo 3, lo que implica un ARIMA(3,1,0). Aunque este modelo ajusta razonablemente bien, es el peor de los tres (puedes comprobarlo) porque usa demasiados parámetros para autocorrelaciones tan pequeñas.

Después de ajustar los dos primeros modelos, comprueba el AIC y el BIC para elegir el modelo preferido.

Este ejercicio forma parte del curso

Modelos ARIMA en R

Instrucciones del ejercicio

Representa la ACF y la PACF muestrales de los datos diferenciados, diff(globtemp), para ver que 2 modelos parecen razonables: un ARIMA(1,1,1) y un ARIMA(0,1,2).
Usa sarima() para ajustar un modelo ARIMA(1,1,1) a globtemp. ¿Son significativos todos los parámetros?
Haz otra llamada a sarima() para ajustar un ARIMA(0,1,2) a globtemp. ¿Son significativos todos los parámetros? ¿Qué modelo es mejor?

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Plot the sample P/ACF pair of the differenced data 


# Fit an ARIMA(1,1,1) model to globtemp


# Fit an ARIMA(0,1,2) model to globtemp. Which model is better?

Editar y ejecutar código

Este ejercicio forma parte del curso

Modelos ARIMA en R

PrincipianteNivel de habilidad

4.9+

Comienza el curso gratis

Investigarás la naturaleza de los datos de series temporales y aprenderás los fundamentos de los modelos ARMA que pueden explicar el comportamiento de estos datos. Aprenderás los comandos básicos de R necesarios para preparar datos de series temporales en bruto y dejarlos listos para analizarlos con modelos ARMA.

Exercise 1: Lo primero de todo Exercise 2: Jugar con los datos Exercise 3: Elementos de series temporales Exercise 4: Estacionariedad y no estacionariedad Exercise 5: Diferenciación Exercise 6: Eliminar la tendencia de los datos Exercise 7: Cómo tratar la tendencia y la heterocedasticidad Exercise 8: Series temporales estacionarias: ARMA Exercise 9: Simulación de modelos ARMA

Descubrirás el apasionante mundo de los modelos ARMA y cómo ajustarlos a datos de series temporales. Aprenderás a identificar un modelo, elegir el modelo adecuado y verificarlo una vez lo ajustes a los datos. También aprenderás a usar comandos de series temporales de R de los paquetes stats y astsa.

Exercise 1: Modelos AR y MA Exercise 2: Ajuste de un modelo AR(1)Exercise 3: Ajustar un modelo AR(2)Exercise 4: Ajuste de un modelo MA(1)Exercise 5: AR y MA juntos Exercise 6: Ajuste de un modelo ARMA Exercise 7: Identifica un modelo ARMA Exercise 8: Elección del modelo y análisis de residuos Exercise 9: Elección de modelo - I Exercise 10: Elección de modelo - II Exercise 11: Análisis de residuos - I Exercise 12: Análisis de residuos - II Exercise 13: Entra ARMA

Ahora que ya sabes ajustar modelos ARMA a series temporales estacionarias, aprenderás sobre los modelos ARMA integrados (ARIMA) para series temporales no estacionarias. Ajustarás los modelos a datos reales usando comandos de series temporales de R de los paquetes stats y astsa.

Exercise 1: ARIMA - ARMA integrado Exercise 2: ARIMA - plug and play Exercise 3: ARIMA simulado Exercise 4: Calentamiento global

Ejercicio actual

Exercise 5: Diagnóstico de ARIMA Exercise 6: Diagnóstico: sobreajuste simulado Exercise 7: Diagnósticos - temperaturas globales Exercise 8: Pronóstico con ARIMA Exercise 9: Pronóstico con ARIMA simulado Exercise 10: Pronosticar temperaturas globales

Aprenderás a ajustar y a pronosticar series temporales estacionales usando modelos ARIMA estacionales. Lo harás aplicando lo que has aprendido en los capítulos anteriores y ampliando los comandos de series temporales de R disponibles en los paquetes stats y astsa.

Exercise 1: Modelos estacionales puros Exercise 2: P/ACF de modelos estacionales puros Exercise 3: Ajusta un modelo puramente estacional Exercise 4: Modelos estacionales mixtos Exercise 5: Ajusta un modelo estacional mixto Exercise 6: Análisis de datos - desempleo I Exercise 7: Análisis de datos - desempleo II Exercise 8: Análisis de datos: precios de materias primas Exercise 9: Análisis de datos - tasa de natalidad Exercise 10: Pronosticar con ARIMA estacional Exercise 11: Previsión del desempleo mensual Exercise 12: ¿Qué tan difícil es pronosticar los precios de las materias primas?Exercise 13: ¡Enhorabuena!