1. Learn
    2. /
  2. Курси
    3. /
  3. Prévision en R
Connected

Вправа

Prévisions avec les modèles ARIMA

La méthode automatique de l'exercice précédent a choisi un modèle ARIMA(0,1,1) avec dérive pour les données austa, soit \(y_t = c + y_{t-1} + \theta e_{t-1} + e_t.\) Vous allez maintenant essayer divers autres modèles ARIMA pour ces données afin de voir l'effet sur les prévisions.

La fonction Arima() permet de sélectionner un modèle ARIMA précis. Son premier argument, order, reçoit un vecteur qui indique les valeurs de \(p\), \(d\) et \(q\). Le deuxième argument, include.constant, est un booléen qui précise si la constante \(c\) (ou dérive) doit être incluse. Voici un exemple d'enchaînement avec l'opérateur pipe qui tracerait les prévisions de usnetelec à partir d'un modèle ARIMA(2,1,2) avec dérive :

> usnetelec %>%
    Arima(order = c(2,1,2), include.constant = TRUE) %>%
    forecast() %>%
    autoplot()

Dans les exemples ci-dessous, observez comment les différents modèles influencent les prévisions et les intervalles de prédiction. Les données austa sont prêtes à être utilisées dans votre espace de travail.

Інструкції

100 XP
  • Tracez les prévisions d'un modèle ARIMA(0,1,1) sans dérive.
  • Tracez les prévisions d'un modèle ARIMA(2,1,3) avec dérive.
  • Tracez les prévisions d'un modèle ARIMA(0,0,1) avec constante.
  • Tracez les prévisions d'un modèle ARIMA(0,2,1) sans constante.