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.

Pertama-tama

Eksplorasi data

Unsur-unsur deret waktu

Kestasioneran dan ketidakstasioneran

Pembedaan (Differencing)

Menghapus tren data

Menangani tren dan heteroskedastisitas

Deret waktu stasioner: ARMA

Mensimulasikan model ARMA

Data dan Model Runtun Waktu

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.

Model AR dan MA

Memfitting model AR(1)

Menyesuaikan model AR(2)

Menyesuaikan model MA(1)

AR dan MA bersama-sama

Memasang model ARMA

Identifikasi model ARMA

Pemilihan model dan analisis residual

Pemilihan model - I

Pemilihan model - II

Analisis residual - I

Analisis residual - II

Masuk ARMA

Melakukan Fitting Model 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.

ARIMA - ARMA terintegrasi

ARIMA - siap pakai

ARIMA Tersimulasi

Pemanasan global

Diagnostik ARIMA

Diagnostik - overfitting terstimulasi

Diagnostik - suhu global

Peramalan ARIMA

Peramalan ARIMA tersimulasi

Peramalan suhu global

Model ARIMA

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.

Model musiman murni

P/ACF untuk model musiman murni

Paskan model murni musiman

Model musiman campuran

Sesuaikan model musiman campuran

Analisis data - pengangguran I

Analisis data - pengangguran II

Analisis data - harga komoditas

Analisis data - tingkat kelahiran

Peramalan ARIMA musiman

Peramalan pengangguran bulanan

Seberapa sulit memproyeksikan harga komoditas?

Selamat!

ARIMA Musiman

Dalam kursus ini, Anda akan menjadi ahli dalam melakukan fitting model ARIMA pada data runtun waktu menggunakan R. Pertama, Anda akan menelusuri karakteristik data runtun waktu dengan alat pada paket R stats. Selanjutnya, Anda mempelajari cara melakukan fitting berbagai model ARMA pada data tersimulasi (di mana Anda mengetahui model yang benar) menggunakan paket R astsa. Setelah menguasai dasar-dasarnya, Anda akan mempelajari cara melakukan fitting model ARMA terintegrasi, atau model ARIMA, pada berbagai himpunan data nyata. Anda akan mempelajari cara memeriksa validitas model ARIMA dan cara melakukan peramalan data runtun waktu. Terakhir, Anda akan mempelajari cara melakukan fitting model ARIMA untuk data musiman, termasuk peramalan menggunakan paket astsa.

Time Series Analysis in R

Dalam kursus ini, Anda akan ahli dalam memodelkan ARIMA pada data deret waktu menggunakan R.

Model ARIMA di R

Jadilah ahli dalam menerapkan model ARIMA (Autoregressive Integrated Moving Average) pada data deret waktu menggunakan R.

Analis Kuantitatif  di R

Deret Waktu  di R

Unsur-unsur deret waktu

Model ARIMA di R

Latihan interaktif langsung