Analisi dei residui - I
Come hai visto nel video, un’esecuzione di sarima() include un grafico per l’analisi dei residui. In particolare, l’output mostra (1) i residui standardizzati, (2) l’ACF campionaria dei residui, (3) un grafico Q-Q normale e (4) i p-value corrispondenti alla Q-statistic di Box–Ljung–Pierce.
In ogni esecuzione, controlla i quattro grafici dei residui come segue:
- I residui standardizzati dovrebbero comportarsi come un rumore bianco con media zero e varianza uno. Esamina il grafico dei residui per verificare eventuali scostamenti da questo comportamento.
- L’ACF campionaria dei residui dovrebbe assomigliare a quella di un rumore bianco. Esamina l’ACF per verificare eventuali scostamenti da questo comportamento.
- La normalità è un’ipotesi essenziale quando si adattano modelli ARMA. Esamina il grafico Q-Q per identificare scostamenti dalla normalità e per individuare outlier.
- Usa il grafico della Q-statistic per testare eventuali scostamenti dalla “bianchezza” dei residui.
Come nell’esercizio precedente, dl_varve <- diff(log(varve)), che è tracciata sotto il grafico di varve. Il pacchetto astsa è precaricato.
Questo esercizio fa parte del corso
Modelli ARIMA in R
Istruzioni dell'esercizio
- Usa
sarima()per adattare un MA(1) adl_varveed eseguire un’analisi completa dei residui come indicato sopra. Prendi nota di ciò che osservi per il prossimo esercizio. - Fai un’altra chiamata a
sarima()per adattare un ARMA(1,1) adl_varveed eseguire un’analisi completa dei residui come indicato sopra. Anche qui, prendi nota di ciò che osservi per il prossimo esercizio.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Fit an MA(1) to dl_varve. Examine the residuals
# Fit an ARMA(1,1) to dl_varve. Examine the residuals