Analyse de données – prix des produits de base

Gagner de l'argent avec les produits de base n'est pas facile. La plupart des négociants en produits de base perdent de l'argent plutôt que d'en gagner. Le paquet astsa comprend l'ensemble de données chicken, soit le prix au comptant mensuel du poulet entier, aux quais de la Géorgie, en cents US par livre, d'août 2001 à juillet 2016.

Le paquet astsa est préchargé dans votre console R et les données sont déjà tracées pour vous. Remarquez la tendance et les composantes saisonnières.

Vous commencerez par ajuster avec soin un modèle SARIMA à cette marchandise. Ensuite, vous utiliserez le modèle ajusté pour tenter de prévoir le prix au comptant du poulet entier.

Après avoir retiré la tendance, l'ACF et la PACF empiriques suggèrent un modèle AR(2), car la PACF s'interrompt après le retard 2 et l'ACF décroît graduellement. Toutefois, l'ACF présente une petite composante saisonnière résiduelle. On peut y remédier en ajoutant une composante SAR(1).

Au fait, si l'analyse d'autres produits de base de diverses régions vous intéresse, vous trouverez de nombreuses séries chronologiques sur index mundi.

Cette activité fait partie du cours

Modèles ARIMA en R

Instructions de l’exercice

Tracez les données différenciées (d = 1) avec diff(chicken). Notez que la tendance est retirée et observez le comportement saisonnier.
Tracez les ACF et PACF empiriques des données différenciées jusqu'au retard 60 (5 ans). Remarquez qu'un AR(2) semble approprié, mais qu'une petite composante saisonnière significative demeure dans les données détrendées.
Ajustez un ARIMA(2,1,0) aux données chicken pour constater qu'il reste de la corrélation dans les résidus.
Ajustez un SARIMA(2,1,0)x(1,0,0)₁₂ et constatez que le modèle s'ajuste bien.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Plot differenced chicken


# Plot P/ACF pair of differenced data to lag 60


# Fit ARIMA(2,1,0) to chicken - not so good


# Fit SARIMA(2,1,0,1,0,0,12) to chicken - that works

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 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

Exercice en cours

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 !