MulaiMulai sekarang secara gratis

Analisis data - tingkat kelahiran

Sekarang Anda akan menggunakan keterampilan baru Anda untuk menyesuaikan model SARIMA secara cermat pada deret waktu birth dari astsa. Data ini adalah jumlah kelahiran hidup bulanan (disesuaikan) dalam ribuan untuk Amerika Serikat, 1948–1979, dan mencakup masa baby boom setelah Perang Dunia II.

Data birth telah dipetakan di konsol R Anda. Perhatikan tren jangka panjang (random walk) dan komponen musiman dari data tersebut.

Latihan ini adalah bagian dari kursus

Model ARIMA di R

Lihat Kursus

Petunjuk latihan

  • Gunakan diff() untuk melakukan pembedaan pada data (d_birth). Gunakan acf2() untuk melihat ACF dan PACF sampel dari data ini hingga lag 60. Perhatikan persistensi musiman.
  • Gunakan pemanggilan diff() lain untuk mengambil pembedaan musiman dari data. Simpan sebagai dd_birth. Gunakan acf2() lagi untuk melihat ACF dan PACF dari data ini, juga hingga lag 60. Simpulkan bahwa model SARIMA(0,1,1)x(0,1,1)12 tampak masuk akal.
  • Sesuaikan model SARIMA(0,1,1)x(0,1,1)12. Apa yang terjadi?
  • Tambahkan satu parameter AR tambahan (nonmusiman, p = 1) untuk menangani korelasi tambahan. Apakah modelnya sesuai dengan baik?

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Plot P/ACF to lag 60 of differenced data
d_birth <- diff(birth)


# Plot P/ACF to lag 60 of seasonal differenced data
dd_birth <- diff(d_birth, lag = 12)


# Fit SARIMA(0,1,1)x(0,1,1)_12. What happens?


# Add AR term and conclude
Edit dan Jalankan Kode