Elección de modelo - I

Según el par P/ACF muestral de los datos de varvas con logaritmo y diferencia (dl_varve), se indicó un MA(1). La mejor estrategia para ajustar ARMA es empezar con un modelo de orden bajo e ir añadiendo un parámetro cada vez para ver si los resultados cambian.

En este ejercicio, ajustarás varios modelos a los datos dl_varve y anotarás el AIC y el BIC de cada uno. En el siguiente ejercicio, usarás estos AIC y BIC para elegir un modelo. Recuerda que quieres quedarte con el modelo que tenga el valor de AIC y/o BIC más pequeño.

Una nota antes de empezar:

sarima(x, p = 0, d = 0, q = 1) y sarima(x, 0, 0, 1)

son lo mismo.

Este ejercicio forma parte del curso

Modelos ARIMA en R

Instrucciones del ejercicio

El paquete astsa está precargado. La serie varve se ha transformado con logaritmo y diferencia como dl_varve <- diff(log(varve)).
Usa sarima() para ajustar un MA(1) a dl_varve. Fíjate bien en la salida de tu comando sarima() para ver el AIC y el BIC de este modelo.
Repite el paso anterior, pero añade un parámetro MA ajustando un modelo MA(2). Según el AIC y el BIC, ¿supone esto una mejora frente al modelo anterior?
En lugar de añadir un parámetro MA, añade un parámetro AR al ajuste original MA(1). Es decir, ajusta un ARMA(1,1) a dl_varve. Según el AIC y el BIC, ¿es esto una mejora respecto a los modelos anteriores?

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Fit an MA(1) to dl_varve.   


# Fit an MA(2) to dl_varve. Improvement?


# Fit an ARMA(1,1) to dl_varve. Improvement?

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

Ejercicio actual

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 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!