Previsioni con ARIMA simulato

Ora che sei diventato esperto nel fittare modelli ARIMA, puoi usare queste competenze per fare previsioni. Per iniziare, lavorerai con dati simulati.

Abbiamo generato 120 osservazioni da un modello ARIMA(1,1,0) con parametro AR pari a 0,9. I dati completi sono in y e le prime 100 osservazioni sono in x. Queste osservazioni sono già rappresentate in un grafico. Fittta un modello ARIMA(1,1,0) ai dati in x e verifica che il modello si adatti bene. Poi usa sarima.for() da astsa per prevedere i dati a 20 periodi futuri. Confronterai quindi le previsioni con i dati reali in y.

La sintassi di base per la previsione è sarima.for(data, n.ahead, p, d, q) dove n.ahead è un intero positivo che specifica l’orizzonte di previsione. I valori previsti e i loro errori standard vengono stampati; i dati sono tracciati in nero, le previsioni in rosso, con anche due bande di errore quadratico medio di previsione in blu tratteggiato.

Il pacchetto astsa è precaricato e i dati (x) e i dati differenziati (diff(x)) sono già tracciati.

Questo esercizio fa parte del corso

Modelli ARIMA in R

Visualizza il corso

Istruzioni dell'esercizio

Rappresenta l’ACF e la PACF campionarie dei dati differenziati per determinare un modello.
Usa sarima() per fittare un ARIMA(1,1,0) ai dati. Esamina l’output del tuo comando sarima() per valutare l’adattamento e le diagnostiche del modello.
Usa sarima.for() per prevedere i dati a 20 periodi futuri. Confronta le previsioni con i valori effettivi.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Plot P/ACF pair of differenced data 


# Fit model - check t-table and diagnostics


# Forecast the data 20 time periods ahead
sarima.for(x, n.ahead = ___, p = ___, d = ___, q = ___) 
lines(y)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Modelli ARIMA in R

InicianteNível de habilidade

4.9+

Inizia il corso gratis

You will investigate the nature of time series data and learn the basics of ARMA models that can explain the behavior of such data. You will learn the basic R commands needed to help set up raw time series data to a form that can be analyzed using ARMA models.

Exercise 1: First things first Exercise 2: Data play Exercise 3: Elements of time series Exercise 4: Stationarity and nonstationarity Exercise 5: Differencing Exercise 6: Detrending data Exercise 7: Dealing with trend and heteroscedasticity Exercise 8: Stationary time series: ARMA Exercise 9: Simulating ARMA models

You will discover the wonderful world of ARMA models and how to fit these models to time series data. You will learn how to identify a model, how to choose the correct model, and how to verify a model once you fit it to data. You will learn how to use R time series commands from the stats and astsa packages.

Exercise 1: AR and MA models Exercise 2: Fitting an AR(1) model Exercise 3: Fitting an AR(2) model Exercise 4: Fitting an MA(1) model Exercise 5: AR and MA together Exercise 6: Fitting an ARMA model Exercise 7: Identify an ARMA model Exercise 8: Model choice and residual analysis Exercise 9: Model choice - I Exercise 10: Model choice - II Exercise 11: Residual analysis - I Exercise 12: Residual analysis - II Exercise 13: ARMA get in

Now that you know how to fit ARMA models to stationary time series, you will learn about integrated ARMA (ARIMA) models for nonstationary time series. You will fit the models to real data using R time series commands from the stats and astsa packages.

Exercise 1: ARIMA - ARMA integrato Exercise 2: ARIMA - plug and play Exercise 3: ARIMA simulato Exercise 4: Riscaldamento globale Exercise 5: Diagnostica ARIMA Exercise 6: Diagnostica - overfitting simulato Exercise 7: Diagnostica - temperature globali Exercise 8: Previsioni con ARIMA Exercise 9: Previsioni con ARIMA simulato

Esercizio in corso

Exercise 10: Previsione delle temperature globali

You will learn how to fit and forecast seasonal time series data using seasonal ARIMA models. This is accomplished using what you learned in the previous chapters and by learning how to extend the R time series commands available in the stats and astsa packages.

Exercise 1: Pure seasonal models Exercise 2: P/ACF of pure seasonal models Exercise 3: Fit a pure seasonal model Exercise 4: Mixed seasonal models Exercise 5: Fit a mixed seasonal model Exercise 6: Data analysis - unemployment I Exercise 7: Data analysis - unemployment II Exercise 8: Data analysis - commodity prices Exercise 9: Data analysis - birth rate Exercise 10: Forecasting seasonal ARIMA Exercise 11: Forecasting monthly unemployment Exercise 12: How hard is it to forecast commodity prices?Exercise 13: Congratulations!