Ajuster un modèle ARMA

Vous êtes maintenant prêt à combiner le modèle AR et le modèle MA en un modèle ARMA. Nous avons généré des données à partir du modèle ARMA(2,1), $$X_t = X_{t-1} - .9 X_{t-2} + W_t + .8 W_{t-1}, $$ x <- arima.sim(model = list(order = c(2, 0, 1), ar = c(1, -.9), ma = .8), n = 250). Examinez les données simulées ainsi que la paire ACF et PACF empiriques pour déterminer un modèle possible.

Rappelez-vous que, pour les modèles ARMA(\(p, q\)), l’ACF et la PACF théoriques décroissent progressivement. Dans ce cas, les ordres sont difficiles à déduire des données et il peut ne pas être évident de voir si l’ACF ou la PACF échantillonnale se tronque ou décroît. Ici, vous connaissez les ordres réels du modèle ; ajustez donc un ARMA(2,1) aux données générées. Les stratégies générales de modélisation seront abordées plus loin dans le cours.

Cet exercice fait partie du cours

Modèles ARIMA en R

Afficher le cours

Instructions

Le package astsa est préchargé. 250 observations ARMA(2,1) sont dans x.
Comme dans les exercices précédents, utilisez plot() pour tracer les données générées dans x et acf2() pour afficher la paire ACF et PACF échantillonnales.
Utilisez sarima() pour ajuster un ARMA(2,1) aux données générées. Examinez la table des t et comparez les estimations aux vraies valeurs.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# astsa is preloaded

# Plot x


# Plot the sample P/ACF of x


# Fit an ARMA(2,1) to the data and examine the t-table

Modifier et exécuter le code

Cet exercice fait partie du cours

Modèles ARIMA en R

DébutantNiveau de compétence

4.9+

Commencer le cours gratuitement

Vous étudierez la nature des séries temporelles et apprendrez les bases des modèles ARMA qui permettent d’expliquer le comportement de telles données. Vous verrez les commandes R essentielles pour préparer des séries temporelles brutes dans un format analysable avec des modèles ARMA.

Exercise 1: Commençons par les bases Exercise 2: Exploration des données Exercise 3: Éléments d’une série temporelle Exercise 4: Stationnarité et non-stationnarité Exercise 5: Différenciation Exercise 6: Supprimer 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 l’univers des modèles ARMA et la manière de les ajuster à des séries temporelles. Vous apprendrez à identifier un modèle, à choisir le bon modèle et à le valider une fois ajusté aux données. Vous utiliserez les commandes R pour séries temporelles des packages 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: Combiner AR et MA Exercise 6: Ajuster un modèle ARMA

Exercice en cours

Exercise 7: Identifier un modèle ARMA Exercise 8: Choix du modèle et analyse des résidus Exercise 9: Choix du modèle - I Exercise 10: Choix de modèle - II Exercise 11: Analyse des résidus - I Exercise 12: Analyse des résidus - II Exercise 13: ARMA, à vous de jouer

Maintenant que vous savez ajuster des modèles ARMA à des séries stationnaires, vous allez découvrir les modèles ARMA intégrés (ARIMA) pour des séries non stationnaires. Vous ajusterez ces modèles à des données réelles en utilisant les commandes pour séries temporelles des packages stats et astsa.

Exercise 1: ARIMA – ARMA intégré Exercise 2: ARIMA - prêt à l’emploi Exercise 3: ARIMA simulé Exercise 4: Réchauffement climatique Exercise 5: Diagnostic ARIMA Exercise 6: Diagnostics - sur-ajustement simulé Exercise 7: Diagnostics - températures globales Exercise 8: Prévisions avec ARIMA Exercise 9: Prévision avec un ARIMA simulé Exercise 10: Prévoir les températures mondiales

Vous apprendrez à ajuster et à prévoir des séries temporelles saisonnières grâce aux modèles ARIMA saisonniers. Cela s’appuie sur ce que vous avez appris dans les chapitres précédents et montre comment étendre les commandes R pour séries temporelles disponibles dans les packages 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 matières premières Exercise 9: Analyse des données – taux de natalité Exercise 10: Prévision avec des ARIMA saisonniers Exercise 11: Prévision du chômage mensuel Exercise 12: À quel point est-il difficile de prévoir les prix des matières premières ?Exercise 13: Félicitations !