CommencerCommencez gratuitement

Modèles ARIMA automatiques pour séries saisonnières

Comme vous l’avez vu dans la vidéo, la fonction auto.arima() fonctionne aussi avec des données saisonnières. Remarquez que définir 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 rétro-transformées sur l’échelle d’origine.

Après avoir appliqué summary() à ce type de modèle ajusté, vous pouvez voir une sortie comme 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 préchargées, qui contiennent les ventes mensuelles de corticoïdes en Australie.

Cet exercice fait partie du cours

<cours>Prévision en R</cours>
Voir le cours

Instructions de l’exercice

  • À l’aide de la fonction de tracé standard, tracez les données 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 à l’aide de la méthode appropriée.
  • Quels niveaux de différenciation ont été utilisés dans le modèle ? Affectez la différenciation au retard 1 à d et la différenciation saisonnière à D.
  • Tracez les prévisions pour les 2 prochaines années à partir du modèle ajusté. Définissez 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