Análisis de datos - desempleo II

Ahora continuarás ajustando un modelo SARIMA a la serie mensual de desempleo de EE. UU. unemp, examinando la ACF y la PACF muestrales de la serie totalmente diferenciada.

Ten en cuenta que el eje de retardos en el gráfico de P/ACF muestral está en años. Así, los retardos 1, 2, 3, … representan 1 año (12 meses), 2 años (24 meses), 3 años (36 meses), …

Una vez más, el paquete astsa ya está precargado para ti.

Este ejercicio forma parte del curso

Modelos ARIMA en R

Instrucciones del ejercicio

Diferencia completamente los datos (como en el ejercicio anterior) y representa la ACF y la PACF muestrales de los datos transformados hasta el retardo de 60 meses (5 años). Ten en cuenta que, para
- el componente no estacional: la PACF se corta en el retardo 2 y la ACF decae gradualmente.
- el componente estacional: la ACF se corta en el retardo 12 y la PACF decae en los retardos 12, 24, 36, …
Propón y ajusta un modelo usando sarima(). Revisa los residuos para asegurarte de que el ajuste del modelo sea adecuado.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Plot P/ACF pair of fully differenced data to lag 60
dd_unemp <- diff(diff(unemp), lag = 12)


# Fit an appropriate model

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 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

Ejercicio actual

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!