Pronóstico con ARIMA simulado

Ahora que ya dominas el ajuste de modelos ARIMA, puedes aplicar tus habilidades para hacer pronósticos. Primero, trabajarás con datos simulados.

Generamos 120 observaciones de un modelo ARIMA(1,1,0) con parámetro AR de 0.9. Los datos completos están en y y las primeras 100 observaciones están en x. Estas observaciones ya están representadas. Ajustarás un ARIMA(1,1,0) a los datos en x y comprobarás que el modelo se adapta bien. Luego usarás sarima.for() de astsa para pronosticar los datos 20 periodos hacia adelante. Después compararás los pronósticos con los datos reales en y.

La sintaxis básica para pronosticar es sarima.for(data, n.ahead, p, d, q), donde n.ahead es un entero positivo que indica el horizonte de pronóstico. Se imprimen los valores predichos y sus errores estándar, los datos se representan en negro y los pronósticos en rojo, junto con dos bandas de error de predicción de media cuadrática como líneas azules discontinuas.

El paquete astsa está precargado y los datos (x) y los datos diferenciados (diff(x)) están representados.

Este ejercicio forma parte del curso

Modelos ARIMA en R

Instrucciones del ejercicio

Representa la ACF y la PACF muestrales de los datos diferenciados para determinar un modelo.
Usa sarima() para ajustar un ARIMA(1,1,0) a los datos. Examina la salida de tu comando sarima() para evaluar el ajuste y los diagnósticos del modelo.
Usa sarima.for() para pronosticar los datos 20 periodos hacia adelante. Compáralo con los valores reales.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Plot P/ACF pair of differenced data 


# Fit model - check t-table and diagnostics


# Forecast the data 20 time periods ahead
sarima.for(x, n.ahead = ___, p = ___, d = ___, q = ___) 
lines(y)

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

Ejercicio actual

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!