Pemanasan global

Sekarang setelah Anda memiliki pengalaman menyesuaikan model ARIMA pada data tersimulasikan, tugas berikutnya adalah menerapkan keterampilan Anda pada data dunia nyata.

Data dalam globtemp (dari astsa) merupakan deviasi suhu global tahunan hingga tahun 2015. Pada latihan ini, Anda akan menggunakan teknik baku untuk menyesuaikan model ARIMA pada data tersebut. Plot data menunjukkan perilaku random walk, yang menyarankan Anda perlu bekerja dengan data yang telah didiferensiasikan. Data yang didiferensiasikan diff(globtemp) juga dipetakan.

Setelah memplot ACF dan PACF sampel dari data terdiferensiasi diff(globtemp), Anda dapat menyimpulkan bahwa:

ACF dan PACF sama-sama meruncing (tailing off), yang menyiratkan model ARIMA(1,1,1).
ACF terputus pada lag 2, dan PACF meruncing, yang menyiratkan model ARIMA(0,1,2).
ACF meruncing dan PACF terputus pada lag 3, yang menyiratkan model ARIMA(3,1,0). Meskipun model ini cukup baik, ini yang terburuk dari ketiganya (Anda dapat memeriksanya) karena menggunakan terlalu banyak parameter untuk autokorelasi yang sangat kecil.

Setelah menyesuaikan dua model pertama, periksa AIC dan BIC untuk memilih model yang lebih disukai.

Latihan ini adalah bagian dari kursus

Model ARIMA di R

Petunjuk latihan

Plot ACF dan PACF sampel dari data terdiferensiasi, diff(globtemp), untuk mengetahui bahwa ada 2 model yang tampak masuk akal, yaitu ARIMA(1,1,1) dan ARIMA(0,1,2).
Gunakan sarima() untuk menyesuaikan model ARIMA(1,1,1) pada globtemp. Apakah semua parameternya signifikan?
Lakukan pemanggilan sarima() lain untuk menyesuaikan model ARIMA(0,1,2) pada globtemp. Apakah semua parameternya signifikan? Model mana yang lebih baik?

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Plot the sample P/ACF pair of the differenced data 


# Fit an ARIMA(1,1,1) model to globtemp


# Fit an ARIMA(0,1,2) model to globtemp. Which model is better?

Edit dan Jalankan Kode

Latihan ini adalah bagian dari kursus

Model ARIMA di R

SkillTag.level.beginnerSkillTag.label

4.9+

Mulai Kursus Gratis

You will investigate the nature of time series data and learn the basics of ARMA models that can explain the behavior of such data. You will learn the basic R commands needed to help set up raw time series data to a form that can be analyzed using ARMA models.

Exercise 1: First things first Exercise 2: Data play Exercise 3: Elements of time series Exercise 4: Stationarity and nonstationarity Exercise 5: Differencing Exercise 6: Detrending data Exercise 7: Dealing with trend and heteroscedasticity Exercise 8: Stationary time series: ARMA Exercise 9: Simulating ARMA models

You will discover the wonderful world of ARMA models and how to fit these models to time series data. You will learn how to identify a model, how to choose the correct model, and how to verify a model once you fit it to data. You will learn how to use R time series commands from the stats and astsa packages.

Exercise 1: AR and MA models Exercise 2: Fitting an AR(1) model Exercise 3: Fitting an AR(2) model Exercise 4: Fitting an MA(1) model Exercise 5: AR and MA together Exercise 6: Fitting an ARMA model Exercise 7: Identify an ARMA model Exercise 8: Model choice and residual analysis Exercise 9: Model choice - I Exercise 10: Model choice - II Exercise 11: Residual analysis - I Exercise 12: Residual analysis - II Exercise 13: ARMA get in

Now that you know how to fit ARMA models to stationary time series, you will learn about integrated ARMA (ARIMA) models for nonstationary time series. You will fit the models to real data using R time series commands from the stats and astsa packages.

Exercise 1: ARIMA - ARMA terintegrasi Exercise 2: ARIMA - siap pakai Exercise 3: ARIMA Tersimulasi Exercise 4: Pemanasan global

Latihan Saat Ini

Exercise 5: Diagnostik ARIMA Exercise 6: Diagnostik - overfitting terstimulasi Exercise 7: Diagnostik - suhu global Exercise 8: Peramalan ARIMA Exercise 9: Peramalan ARIMA tersimulasi Exercise 10: Peramalan suhu global

You will learn how to fit and forecast seasonal time series data using seasonal ARIMA models. This is accomplished using what you learned in the previous chapters and by learning how to extend the R time series commands available in the stats and astsa packages.

Exercise 1: Pure seasonal models Exercise 2: P/ACF of pure seasonal models Exercise 3: Fit a pure seasonal model Exercise 4: Mixed seasonal models Exercise 5: Fit a mixed seasonal model Exercise 6: Data analysis - unemployment I Exercise 7: Data analysis - unemployment II Exercise 8: Data analysis - commodity prices Exercise 9: Data analysis - birth rate Exercise 10: Forecasting seasonal ARIMA Exercise 11: Forecasting monthly unemployment Exercise 12: How hard is it to forecast commodity prices?Exercise 13: Congratulations!