Mengestimasi model random walk

Untuk deret waktu y tertentu, kita dapat menyesuaikan model random walk dengan drift dengan terlebih dahulu melakukan pendiferensian pertama pada data, lalu menyesuaikan model white noise (WN) pada data yang sudah didiferensiasi menggunakan perintah arima() dengan argumen order = c(0, 0, 0)).

Perintah arima() menampilkan informasi atau keluaran tentang model yang dipasang. Di bawah judul Coefficients: terdapat variabel drift yang diestimasi, bernama intercept. Perkiraan galat bakunya (s.e.) disajikan tepat di bawahnya. Varians dari bagian WN pada model juga diestimasi dengan label sigma^2.

Latihan ini adalah bagian dari kursus

Analisis Deret Waktu dengan R

Lihat Kursus

Petunjuk latihan

Deret waktu random_walk telah dimuat dan ditampilkan pada gambar di samping. Gunakan diff() untuk menghasilkan selisih pertama dari data. Simpan sebagai rw_diff.
Gunakan ts.plot() untuk memplot data yang telah didiferensiasi
Gunakan arima() untuk menyesuaikan model WN pada data yang telah didiferensiasi. Caranya, setel argumen x ke rw_diff dan setel argumen order ke c(0, 0, 0). Simpan model sebagai model_wn.
Simpan nilai intercept dari model_wn ke int_wn. Anda dapat memperoleh nilai ini menggunakan model_wn$coef.
Gunakan ts.plot() untuk mereproduksi plot asli random_walk.
Tambahkan estimasi tren waktu ke plot di samping dengan fungsi abline(). Anda dapat menggunakan int_wn sebagai argumen kedua.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Difference your random_walk data
rw_diff <- 

# Plot rw_diff


# Now fit the WN model to the differenced data
model_wn <-

# Store the value of the estimated time trend (intercept)
int_wn <- 

# Plot the original random_walk data


# Use abline(0, ...) to add time trend to the figure

Edit dan Jalankan Kode