Analyse des résidus - I

Comme vous l'avez vu dans la vidéo, une exécution de sarima() inclut un graphique d'analyse des résidus. Plus précisément, la sortie affiche (1) les résidus normalisés, (2) la FAC échantillonnale des résidus, (3) un diagramme Q-Q normal et (4) les valeurs p correspondant à la statistique Q de Box–Ljung–Pierce.

À chaque exécution, vérifiez les quatre graphiques de résidus comme suit :

Les résidus normalisés devraient se comporter comme un bruit blanc de moyenne nulle et de variance un. Examinez le graphique des résidus pour repérer tout écart par rapport à ce comportement.
La FAC échantillonnale des résidus devrait ressembler à celle d'un bruit blanc. Examinez la FAC pour repérer tout écart par rapport à ce comportement.
La normalité est une hypothèse essentielle lors de l'ajustement de modèles ARMA. Examinez le diagramme Q-Q pour repérer des écarts à la normalité et identifier les valeurs aberrantes.
Utilisez le graphique de la statistique Q pour aider à tester les écarts à la blancheur des résidus.

Comme dans l'exercice précédent, dl_varve <- diff(log(varve)), qui est tracée sous un graphique de varve. Le paquet astsa est préchargé.

Cette activité fait partie du cours

Modèles ARIMA en R

Instructions de l’exercice

Utilisez sarima() pour ajuster un MA(1) à dl_varve et effectuez une analyse complète des résidus telle que décrite ci-dessus. Prenez note de vos observations pour l'exercice suivant.
Faites un autre appel à sarima() pour ajuster un ARMA(1,1) à dl_varve et effectuez une analyse complète des résidus telle que décrite ci-dessus. Là encore, prenez note de vos observations pour l'exercice suivant.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Fit an MA(1) to dl_varve. Examine the residuals  


# Fit an ARMA(1,1) to dl_varve. Examine the residuals

Modifier et exécuter le code

Cette activité fait partie du cours

Modèles ARIMA en R

SkillTag.level.beginnerSkillTag.label

4.9+

Commencer le cours gratuitement

Vous examinerez la nature des séries chronologiques et apprendrez les bases des modèles ARMA qui peuvent expliquer le comportement de telles données. Vous apprendrez les commandes R de base nécessaires pour préparer des données brutes de séries chronologiques dans un format pouvant être analysé au moyen de modèles ARMA.

Exercise 1: Commençons par l'essentiel Exercise 2: Exploration des données Exercise 3: Éléments des séries chronologiques Exercise 4: Stationnarité et non-stationnarité Exercise 5: Différenciation Exercise 6: Enlever la tendance des données Exercise 7: Gérer la tendance et l'hétéroscédasticité Exercise 8: Séries temporelles stationnaires : ARMA Exercise 9: Simuler des modèles ARMA

Vous découvrirez le monde des modèles ARMA et comment les ajuster à des données de séries chronologiques. Vous apprendrez à identifier un modèle, à choisir le bon modèle et à le vérifier une fois ajusté aux données. Vous apprendrez à utiliser les commandes R pour séries chronologiques des paquets stats et astsa.

Exercise 1: Modèles AR et MA Exercise 2: Ajuster un modèle AR(1)Exercise 3: Ajuster un modèle AR(2)Exercise 4: Ajuster un modèle MA(1)Exercise 5: AR et MA ensemble Exercise 6: Ajuster un modèle ARMA Exercise 7: Identifier un modèle ARMA Exercise 8: Choix du modèle et analyse des résidus Exercise 9: Choix de modèle - I Exercise 10: Choix de modèle - II Exercise 11: Analyse des résidus - I

Exercice en cours

Exercise 12: Analyse des résidus – II Exercise 13: ARMA, on se lance

Maintenant que vous savez ajuster des modèles ARMA à des séries chronologiques stationnaires, vous apprendrez les modèles ARMA intégrés (ARIMA) pour des séries non stationnaires. Vous ajusterez des modèles à des données réelles à l'aide des commandes R pour séries chronologiques des paquets stats et astsa.

Exercise 1: ARIMA – ARMA intégré Exercise 2: ARIMA - prêt à l'emploi Exercise 3: ARIMA simulé Exercise 4: Réchauffement planétaire Exercise 5: Diagnostique d'ARIMA Exercise 6: Diagnostics — surajustement simulé Exercise 7: Diagnostic – températures globales Exercise 8: Prévision avec ARIMA Exercise 9: Prévisions avec un ARIMA simulé Exercise 10: Prévision des températures mondiales

Vous apprendrez à ajuster et à prévoir des séries chronologiques saisonnières à l'aide de modèles ARIMA saisonniers. Cela s'appuie sur ce que vous avez vu dans les chapitres précédents et montre comment étendre les commandes R pour séries chronologiques offertes dans les paquets stats et astsa.

Exercise 1: Modèles saisonniers purs Exercise 2: P/ACF des modèles purement saisonniers Exercise 3: Ajuster un modèle purement saisonnier Exercise 4: Modèles saisonniers mixtes Exercise 5: Ajuster un modèle saisonnier mixte Exercise 6: Analyse de données - chômage I Exercise 7: Analyse de données - chômage II Exercise 8: Analyse de données – prix des produits de base Exercise 9: Analyse de données - taux de natalité Exercise 10: Prévision avec ARIMA saisonnier Exercise 11: Prévisions du taux de chômage mensuel Exercise 12: Prédire les prix des produits de base, est-ce si difficile ?Exercise 13: Félicitations !