Diagnóstico: sobreajuste simulado

Una forma de comprobar un análisis es sobreajustar el modelo añadiendo un parámetro extra para ver si cambia los resultados. Si al añadir parámetros los resultados cambian drásticamente, deberías replantearte tu modelo. Si, por el contrario, los resultados apenas cambian, puedes confiar en que el ajuste es correcto.

Generamos 250 observaciones de un modelo ARIMA(0,1,1) con parámetro MA de 0.9. Primero, ajustarás el modelo a los datos con las técnicas habituales.

Luego, puedes comprobar un modelo sobreajustándolo (añadiendo un parámetro) para ver si marca alguna diferencia. En este caso, añadirás un parámetro MA adicional para comprobar que no es necesario.

Como siempre, el paquete astsa está precargado y los datos generados en x se han representado por ti. Los datos diferenciados diff(x) también se han representado. Observa que parecen estacionarios.

Este ejercicio forma parte del curso

Modelos ARIMA en R

Instrucciones del ejercicio

Representa la ACF y la PACF muestrales de los datos diferenciados usando acf2() y observa que el modelo se identifica fácilmente.
Ajusta un modelo ARIMA(0,1,1) a los datos simulados usando sarima(). Compara la estimación del parámetro MA con el valor real de 0.9 y examina los gráficos de residuales.
Sobreajusta el modelo añadiendo un parámetro MA adicional. Es decir, ajusta un ARIMA(0,1,2) a los datos y compáralo con la ejecución de ARIMA(0,1,1).

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Plot sample P/ACF pair of the differenced data


# Fit the first model, compare parameters, check diagnostics


# Fit the second model and compare fit

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 Exercise 5: Diagnóstico de ARIMA Exercise 6: Diagnóstico: sobreajuste simulado

Ejercicio actual

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!