EmpezarEmpieza gratis

Modelos ARIMA automáticos para series temporales estacionales

Como viste en el vídeo, la función auto.arima() también funciona con datos estacionales. Ten en cuenta que fijar lambda = 0 en auto.arima() —aplicar una transformación logarítmica— implica que el modelo se ajustará a los datos transformados, y que los pronósticos se retransformarán a la escala original.

Tras aplicar summary() a este tipo de modelo ajustado, puedes ver algo como la siguiente salida, que corresponde a \((p,d,q)(P,D,Q)[m]\):

ARIMA(0,1,4)(0,1,1)[12]

En este ejercicio, usarás estas funciones para modelar y pronosticar los datos h02 precargados, que contienen las ventas mensuales de fármacos corticoesteroides en Australia.

Este ejercicio forma parte del curso

Forecasting en R

Ver curso

Instrucciones del ejercicio

  • Con la función estándar de gráficos, representa los datos h02 en logaritmos para comprobar que tienen varianza estable.
  • Ajusta un modelo ARIMA estacional a la serie h02 con lambda = 0. Guarda el resultado en fit.
  • Resume el modelo ajustado usando el método apropiado.
  • ¿Qué niveles de diferenciación se usaron en el modelo? Asigna la cantidad de diferenciación de retardo 1 a d y la diferenciación estacional a D.
  • Traza los pronósticos para los próximos 2 años usando el modelo ajustado. Configura h en consecuencia.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Check that the logged h02 data have stable variance
h02 %>% ___ %>% ___

# Fit a seasonal ARIMA model to h02 with lambda = 0
fit <- ___

# Summarize the fitted model
___

# Record the amount of lag-1 differencing and seasonal differencing used
d <- ___
D <- ___

# Plot 2-year forecasts
fit %>% ___ %>% ___
Editar y ejecutar código