Ajuster un modèle saisonnier mixte
Une dépendance purement saisonnière, comme celle étudiée plus tôt dans ce chapitre, est relativement rare. La plupart des séries temporelles saisonnières présentent une dépendance mixte, ce qui signifie que seule une partie de la variation s’explique par des tendances saisonnières.
Rappelez-vous que le modèle saisonnier complet se note SARIMA(p,d,q)x(P,D,Q)S, où les lettres majuscules indiquent les ordres saisonniers.
Comme précédemment, cet exercice vous demande de comparer la paire FAC/FP échantillonnale aux vraies valeurs pour des données saisonnières simulées, puis d’ajuster un modèle aux données avec sarima(). Cette fois, les données simulées proviennent d’un modèle saisonnier mixte, SARIMA(0,0,1)x(0,0,1)12. Les graphiques montrent trois années de données, ainsi que la FAC et la FPC du modèle. Remarquez que, contrairement au modèle purement saisonnier, il existe des corrélations aux retards non saisonniers ainsi qu’aux retards saisonniers.
Comme toujours, le package astsa est préchargé. Les données générées sont dans x.
Cet exercice fait partie du cours
Modèles ARIMA en R
Instructions
- Tracez la FAC et la FPC échantillonnales des données générées jusqu’au retard 60 (
max.lag = 60) et comparez-les aux valeurs théoriques. - Ajustez le modèle aux données générées (
x) avecsarima(). Comme dans l’exercice précédent, veillez à préciser les arguments saisonniers supplémentaires dans votre commandesarima().
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Plot sample P/ACF pair to lag 60 and compare to actual
# Fit the seasonal model to x