Ajusta un modelo estacional mixto

La dependencia puramente estacional, como la que se exploró antes en este capítulo, es relativamente rara. La mayoría de las series temporales estacionales presentan dependencia mixta, es decir, solo parte de la variación se explica por tendencias estacionales.

Recuerda que el modelo estacional completo se denota como SARIMA(p,d,q)x(P,D,Q)_S, donde las letras mayúsculas indican los órdenes estacionales.

Como antes, este ejercicio te pide comparar el par FAC/FPAC muestral con los valores verdaderos para unos datos estacionales simulados y ajustar un modelo a los datos usando sarima(). Esta vez, los datos simulados provienen de un modelo estacional mixto, SARIMA(0,0,1)x(0,0,1)₁₂. Los gráficos muestran tres años de datos, así como la FAC y la FPAC del modelo. Observa que, a diferencia del modelo puramente estacional, hay correlaciones en rezagos no estacionales además de los rezagos estacionales.

Como siempre, el paquete astsa está precargado. Los datos generados están en x.

Este ejercicio forma parte del curso

Modelos ARIMA en R

Instrucciones del ejercicio

Representa la FAC y la FPAC muestrales de los datos generados hasta el rezago 60 (max.lag = 60) y compáralas con los valores reales.
Ajusta el modelo a los datos generados (x) usando sarima(). Como en el ejercicio anterior, asegúrate de especificar los argumentos estacionales adicionales en tu comando sarima().

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Plot sample P/ACF pair to lag 60 and compare to actual


# Fit the seasonal model to x

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 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

Ejercicio actual

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!