Análisis de residuos - I

Como viste en el vídeo, una ejecución de sarima() incluye un gráfico de análisis de residuos. En concreto, la salida muestra (1) los residuos tipificados, (2) la ACF muestral de los residuos, (3) un diagrama Q-Q normal y (4) los valores p correspondientes a la estadística Q de Box-Ljung-Pierce.

En cada ejecución, revisa los cuatro gráficos de residuos del siguiente modo:

Los residuos tipificados deben comportarse como un ruido blanco con media cero y varianza uno. Examina el gráfico de residuos para detectar desviaciones de este comportamiento.
La ACF muestral de los residuos debería parecerse a la de un ruido blanco. Examina la ACF para detectar desviaciones de este comportamiento.
La normalidad es un supuesto esencial al ajustar modelos ARMA. Examina el diagrama Q-Q para detectar desviaciones de la normalidad e identificar valores atípicos.
Usa el gráfico de la estadística Q para ayudar a contrastar desviaciones de la blancura de los residuos.

Como en el ejercicio anterior, dl_varve <- diff(log(varve)), que se representa debajo de un gráfico de varve. El paquete astsa está precargado.

Este ejercicio forma parte del curso

Modelos ARIMA en R

Instrucciones del ejercicio

Usa sarima() para ajustar un MA(1) a dl_varve y realiza un análisis completo de residuos como se indica arriba. Toma nota de lo que observes para el siguiente ejercicio.
Usa otra llamada a sarima() para ajustar un ARMA(1,1) a dl_varve y realiza un análisis completo de residuos como se indica arriba. De nuevo, toma nota de lo que observes para el siguiente ejercicio.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Fit an MA(1) to dl_varve. Examine the residuals  


# Fit an ARMA(1,1) to dl_varve. Examine the residuals

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

Ejercicio actual

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 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!