Modèles ARIMA automatiques pour des séries non saisonnières
Dans la vidéo, vous avez vu que la fonction auto.arima() sélectionne un modèle autoregressive integrated moving average (ARIMA) approprié pour une série temporelle, tout comme la fonction ets() le fait pour les modèles ETS. La fonction summary() peut fournir des informations supplémentaires :
> # p = 2, d = 1, p = 2
> summary(fit)
Series: usnetelec
ARIMA(2,1,2) with drift
...
Dans cet exercice, vous allez choisir automatiquement un modèle ARIMA pour la série austa préchargée, qui contient le nombre annuel de visiteurs internationaux en Australie de 1980 à 2015. Vous vérifierez ensuite les résidus (rappelez-vous qu’une p-valeur supérieure à 0,05 indique que les données ressemblent à un bruit blanc) et produirez des prévisions. À part la fonction de modélisation, c’est identique à ce que vous avez fait avec les prévisions ETS.
Cet exercice fait partie du cours
Prévision en R
Instructions
- Ajustez un modèle ARIMA automatique à la série
austaen utilisant la nouvelle fonction présentée. Enregistrez-le dansfit. - Utilisez la fonction appropriée pour vérifier que les résidus du modèle obtenu ressemblent à un bruit blanc. Affectez
TRUE(si les résidus ressemblent à un bruit blanc) ouFALSE(si ce n’est pas le cas) àresidualsok. - Appliquez
summary()au modèle pour voir les coefficients ajustés. - D’après les résultats de
summary(), quelle est la valeur AICc à deux décimales près ? Combien de différenciations ont été utilisées ? Affectez ces valeurs àAICcetd, respectivement. - Enfin, en utilisant l’opérateur pipe, tracez les prévisions des 10 prochaines périodes à partir du modèle choisi.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Fit an automatic ARIMA model to the austa series
fit <- ___
# Check that the residuals look like white noise
___
residualsok <- ___
# Summarize the model
___
# Find the AICc value and the number of differences used
AICc <- ___
d <- ___
# Plot forecasts of fit
fit %>% forecast(h = ___) %>% ___()