Riscaldamento globale
Ora che hai un po’ di esperienza nell’adattare un modello ARIMA a dati simulati, il prossimo passo è applicare le tue competenze a dati reali.
I dati in globtemp (da astsa) sono le deviazioni annuali della temperatura globale fino al 2015. In questo esercizio userai tecniche consolidate per adattare un modello ARIMA ai dati. Un grafico dei dati mostra un comportamento da random walk, il che suggerisce di lavorare con i dati differenziati. Anche i dati differenziati diff(globtemp) sono rappresentati.
Dopo aver tracciato l’ACF e la PACF campionarie dei dati differenziati diff(globtemp), puoi concludere che:
- Sia l’ACF sia la PACF decadono lentamente, il che suggerisce un modello ARIMA(1,1,1).
- L’ACF si tronca al ritardo 2 e la PACF decade lentamente, il che suggerisce un modello ARIMA(0,1,2).
- L’ACF decade lentamente e la PACF si tronca al ritardo 3, il che suggerisce un modello ARIMA(3,1,0). Anche se questo modello si adatta in modo ragionevole, è il peggiore dei tre (puoi verificarlo) perché usa troppi parametri a fronte di autocorrelazioni così piccole.
Dopo aver adattato i primi due modelli, controlla AIC e BIC per scegliere il modello preferito.
Questo esercizio fa parte del corso
Modelli ARIMA in R
Istruzioni dell'esercizio
- Traccia l’ACF e la PACF campionarie dei dati differenziati,
diff(globtemp), per scoprire che 2 modelli sembrano ragionevoli: un ARIMA(1,1,1) e un ARIMA(0,1,2). - Usa
sarima()per adattare un modello ARIMA(1,1,1) aglobtemp. Tutti i parametri sono significativi? - Fai un’altra chiamata a
sarima()per adattare un modello ARIMA(0,1,2) aglobtemp. Tutti i parametri sono significativi? Quale modello è migliore?
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Plot the sample P/ACF pair of the differenced data
# Fit an ARIMA(1,1,1) model to globtemp
# Fit an ARIMA(0,1,2) model to globtemp. Which model is better?