Apakah model white noise atau random walk bersifat stasioner?

Model white noise (WN) dan random walk (RW) sangat berkaitan erat. Namun, hanya RW yang selalu tidak stasioner, baik dengan maupun tanpa suku drift. Ini adalah latihan simulasi untuk menyoroti perbedaannya.

Ingat bahwa jika kita memulai dengan proses WN bertakaran tengah nol dan menghitung jumlah berjalan atau kumulatifnya, hasilnya adalah proses RW. Fungsi cumsum() akan melakukan transformasi ini untuk Anda. Demikian pula, jika kita membuat proses WN tetapi mengubah nilai tengahnya dari nol, lalu menghitung jumlah kumulatifnya, hasilnya adalah proses RW dengan drift.

Latihan ini adalah bagian dari kursus

Analisis Deret Waktu dengan R

Lihat Kursus

Petunjuk latihan

Gunakan arima.sim() untuk menghasilkan model WN. Atur argumen model sama dengan list(order = c(0, 0, 0)) untuk menghasilkan model tipe WN dan atur n sama dengan 100 untuk menghasilkan 100 observasi. Simpan sebagai white_noise.
Gunakan fungsi cumsum() pada white_noise untuk dengan cepat mengonversi model WN Anda menjadi data RW. Simpan sebagai random_walk.
Gunakan pemanggilan serupa ke arima.sim() untuk menghasilkan model WN kedua. Biarkan semua argumen sama, tetapi kali ini atur argumen mean ke 0.4. Simpan sebagai wn_drift.
Gunakan pemanggilan lain ke cumsum() untuk mengonversi data wn_drift Anda menjadi RW. Simpan sebagai rw_drift.
Masukkan kode yang telah disiapkan untuk membuat plot keempat deret tersebut untuk perbandingan.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Use arima.sim() to generate WN data
white_noise <- 

# Use cumsum() to convert your WN data to RW
random_walk <- 
  
# Use arima.sim() to generate WN drift data
wn_drift <- 
  
# Use cumsum() to convert your WN drift data to RW
rw_drift <- 

# Plot all four data objects
plot.ts(cbind(white_noise, random_walk, wn_drift, rw_drift))

Edit dan Jalankan Kode