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 completando este código de ejemplo.

# 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+

Empieza 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!