CommencerCommencer 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

Prévision en R

Afficher le cours

Instructions

  • 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 cet exemple de code.

# 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