Bandingkan model random walk (RW) dan autoregressive (AR)

Model random walk (RW) adalah kasus khusus dari model autoregressive (AR), di mana parameter kemiringan sama dengan 1. Ingat dari bab sebelumnya bahwa model RW tidak stasioner dan menunjukkan persistensi yang sangat kuat. Fungsi autokovarians sampelnya (ACF) juga turun ke nol dengan sangat lambat, yang berarti nilai masa lalu memiliki dampak jangka panjang pada nilai saat ini.

Model AR yang stasioner memiliki parameter kemiringan antara -1 dan 1. Model AR menunjukkan persistensi yang lebih tinggi ketika parameter kemiringannya mendekati 1, tetapi prosesnya relatif cepat kembali ke rataan. ACF sampelnya juga turun ke nol dengan laju (geometrik) yang cepat, yang menunjukkan bahwa nilai yang sangat lampau memiliki dampak kecil pada nilai proses di masa depan.

Dalam latihan ini, Anda akan mengeksplorasi karakteristik tersebut dengan mensimulasikan dan memplot data tambahan dari sebuah model AR.

Latihan ini adalah bagian dari kursus

Analisis Deret Waktu dengan R

Lihat Kursus

Petunjuk latihan

Gunakan arima.sim() untuk mensimulasikan 200 observasi dari model AR dengan kemiringan 0.9. Simpan sebagai x.
Gunakan ts.plot() untuk memplot x dan gunakan acf() untuk melihat ACF sampelnya.
Lakukan hal yang sama untuk model AR dengan kemiringan 0.98. Simpan sebagai y.
Lakukan hal yang sama untuk model RW (z), lalu bandingkan deret waktu dan ACF sampel yang dihasilkan oleh ketiga model tersebut.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Simulate and plot AR model with slope 0.9 
x <- arima.sim(model = ___, n = ___)
ts.plot(___)
acf(___)

# Simulate and plot AR model with slope 0.98
y <- 
ts.plot(___)
acf(___)

# Simulate and plot RW model
z <- 
ts.plot(___)
acf(___)

Edit dan Jalankan Kode