CommencezCommencez gratuitement

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.

Cette activité fait partie du cours

Prévision en R

Voir le cours

Instructions de l’exercice

  • 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.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Plot forecasts from an ARIMA(0,1,1) model with no drift
austa %>% Arima(order = c(___, ___, ___), include.constant = ___) %>% ___ %>% ___

# Plot forecasts from an ARIMA(2,1,3) model with drift
austa %>% Arima(___, ___) %>% ___ %>% ___

# Plot forecasts from an ARIMA(0,0,1) model with a constant
austa %>% Arima(___, ___) %>% ___ %>% ___

# Plot forecasts from an ARIMA(0,2,1) model with no constant
austa %>% Arima(___, ___) %>% ___ %>% ___
Modifier et exécuter le code