Diagnostik - suhu global

Sekarang Anda dapat menyelesaikan analisis suhu global. Ingat bahwa sebelumnya Anda telah menyesuaikan dua model pada data globtemp, yaitu ARIMA(1,1,1) dan ARIMA(0,1,2). Pada analisis final, periksa diagnostik residual dan gunakan AIC serta BIC untuk pemilihan model.

Data sudah digambarkan untuk Anda.

Latihan ini merupakan bagian dari kursus

Model ARIMA di R

Instruksi latihan

Sesuaikan model ARIMA(0,1,2) pada globtemp dan periksa diagnostiknya. Apa yang dikatakan keluaran tentang model tersebut?
Sesuaikan model ARIMA(1,1,1) pada globtemp dan periksa diagnostiknya.
Manakah model yang lebih baik? Ganti bagian kosong dengan jawaban Anda (misalnya, ARIMA(0,1,2) atau ARIMA(1,1,1)).

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Fit ARIMA(0,1,2) to globtemp and check diagnostics  
 

# Fit ARIMA(1,1,1) to globtemp and check diagnostics


# Which is the better model?
"ARIMA(___,___,___)"

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Model ARIMA di R

SkillTag.level.beginnerSkillTag.label

4.9+

Mulai Kursus Gratis

Anda akan meneliti karakteristik data runtun waktu dan mempelajari dasar-dasar model ARMA yang dapat menjelaskan perilaku data tersebut. Anda akan mempelajari perintah R dasar yang diperlukan untuk menyiapkan data runtun waktu mentah agar dapat dianalisis menggunakan model ARMA.

Exercise 1: Pertama-tama Exercise 2: Eksplorasi data Exercise 3: Unsur-unsur deret waktu Exercise 4: Kestasioneran dan ketidakstasioneran Exercise 5: Pembedaan (Differencing)Exercise 6: Menghapus tren data Exercise 7: Menangani tren dan heteroskedastisitas Exercise 8: Deret waktu stasioner: ARMA Exercise 9: Mensimulasikan model ARMA

Anda akan menjelajahi dunia model ARMA dan cara melakukan fitting model tersebut pada data runtun waktu. Anda akan mempelajari cara mengidentifikasi model, memilih model yang tepat, dan memverifikasi model setelah dilakukan fitting ke data. Anda akan mempelajari cara menggunakan perintah runtun waktu R dari paket stats dan astsa.

Exercise 1: Model AR dan MA Exercise 2: Memfitting model AR(1)Exercise 3: Menyesuaikan model AR(2)Exercise 4: Menyesuaikan model MA(1)Exercise 5: AR dan MA bersama-sama Exercise 6: Memasang model ARMA Exercise 7: Identifikasi model ARMA Exercise 8: Pemilihan model dan analisis residual Exercise 9: Pemilihan model - I Exercise 10: Pemilihan model - II Exercise 11: Analisis residual - I Exercise 12: Analisis residual - II Exercise 13: Masuk ARMA

Kini setelah Anda mengetahui cara melakukan fitting model ARMA pada runtun waktu stasioner, Anda akan mempelajari model ARMA terintegrasi (ARIMA) untuk runtun waktu nonstasioner. Anda akan melakukan fitting model pada data nyata menggunakan perintah runtun waktu R dari paket stats dan astsa.

Exercise 1: ARIMA - ARMA terintegrasi Exercise 2: ARIMA - siap pakai Exercise 3: ARIMA Tersimulasi Exercise 4: Pemanasan global Exercise 5: Diagnostik ARIMA Exercise 6: Diagnostik - overfitting terstimulasi Exercise 7: Diagnostik - suhu global

Latihan Saat Ini

Exercise 8: Peramalan ARIMA Exercise 9: Peramalan ARIMA tersimulasi Exercise 10: Peramalan suhu global

Anda akan mempelajari cara melakukan fitting dan peramalan data runtun waktu musiman menggunakan model ARIMA musiman. Hal ini dilakukan dengan memanfaatkan apa yang telah Anda pelajari pada bab-bab sebelumnya dan dengan mempelajari cara memperluas perintah runtun waktu R yang tersedia di paket stats dan astsa.

Exercise 1: Model musiman murni Exercise 2: P/ACF untuk model musiman murni Exercise 3: Paskan model murni musiman Exercise 4: Model musiman campuran Exercise 5: Sesuaikan model musiman campuran Exercise 6: Analisis data - pengangguran I Exercise 7: Analisis data - pengangguran II Exercise 8: Analisis data - harga komoditas Exercise 9: Analisis data - tingkat kelahiran Exercise 10: Peramalan ARIMA musiman Exercise 11: Peramalan pengangguran bulanan Exercise 12: Seberapa sulit memproyeksikan harga komoditas?Exercise 13: Selamat!