Entra ARMA

A estas alturas ya tienes bastante experiencia ajustando modelos ARMA a datos, pero antes de celebrarlo, intenta un ejercicio más (más o menos) por tu cuenta.

Los datos en oil son precios spot FOB del crudo WTI (en dólares por barril), datos semanales de 2000 a 2008. Usa tus habilidades para ajustar un modelo ARMA a los rendimientos. Los precios semanales del crudo (oil) están representados para ti. A lo largo del ejercicio, trabaja con los rendimientos, que calcularás.

Como antes, el paquete astsa está precargado para ti. Los datos están precargados como oil y representados.

Este ejercicio forma parte del curso

Modelos ARIMA en R

Instrucciones del ejercicio

Calcula los rendimientos aproximados del precio del crudo usando diff() y log(). Guarda los rendimientos en oil_returns.
Representa oil_returns y fíjate en que hay un par de valores atípicos antes de 2004. Convéncete de que los rendimientos son estacionarios.
Representa la ACF y PACF muestrales de oil_returns usando acf2() del paquete astsa.
A partir del par P/ACF, es evidente que las correlaciones son pequeñas y que los rendimientos son casi ruido. Pero podría ser que tanto la ACF como la PACF se vayan disipando. Si es así, se sugiere un ARMA(1,1). Ajusta este modelo a los rendimientos del crudo usando sarima(). ¿Ajusta bien el modelo? ¿Puedes ver los valores atípicos en el gráfico de residuos?

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Calculate approximate oil returns
oil_returns <-

# Plot oil_returns. Notice the outliers.


# Plot the P/ACF pair for oil_returns


# Assuming both P/ACF are tailing, fit a model to oil_returns

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

Ejercicio actual

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!