CommencezCommencez gratuitement

Modèles ARIMA automatiques pour les séries saisonnières

Comme vous l'avez vu dans la vidéo, la fonction auto.arima() fonctionne aussi avec des données saisonnières. Remarquez que lambda = 0 dans auto.arima() — ce qui applique une transformation logarithmique — signifie que le modèle sera ajusté sur les données transformées et que les prévisions seront reconverties à l'échelle d'origine.

Après avoir appliqué summary() à ce type de modèle ajusté, vous pourriez voir une sortie comme celle ci-dessous, qui correspond à \((p,d,q)(P,D,Q)[m]\) :

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

Dans cet exercice, vous utiliserez ces fonctions pour modéliser et prévoir les données h02 déjà chargées, qui contiennent les ventes mensuelles de médicaments corticostéroïdes en Australie.

Cette activité fait partie du cours

Prévision en R

Voir le cours

Instructions de l’exercice

  • À l'aide de la fonction de tracé standard, affichez la série h02 en logarithme pour vérifier la stabilité de la variance.
  • Ajustez un modèle ARIMA saisonnier à la série h02 avec lambda = 0. Enregistrez-le dans fit.
  • Résumez le modèle ajusté en utilisant la méthode appropriée.
  • Quels niveaux de différenciation ont été utilisés dans le modèle? Assignez la quantité de différenciation à retard 1 à d et la différenciation saisonnière à D.
  • Tracez les prévisions pour les 2 prochaines années à partir du modèle ajusté. Réglez h en conséquence.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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 %>% ___ %>% ___
Modifier et exécuter le code