Analisi dei dati - disoccupazione I

Nel video abbiamo adattato un modello ARIMA stagionale al log del set di dati mensile AirPassengers. Ora inizierai ad adattare un modello ARIMA stagionale ai dati mensili sulla disoccupazione negli Stati Uniti, unemp, dal pacchetto astsa.

Per prima cosa, traccia i dati, osserva il trend e la persistenza stagionale. Poi esamina i dati detrendizzati e rimuovi la persistenza stagionale. Dopo di ciò, i dati completamente differenziati dovrebbero apparire stazionari.

Il pacchetto astsa è stato precaricato per te.

Questo esercizio fa parte del corso

Modelli ARIMA in R

Visualizza il corso

Istruzioni dell'esercizio

Traccia la serie temporale mensile della disoccupazione USA (unemp) da astsa. Nota trend e stagionalità.
Detrendizza e traccia i dati. Salvali come d_unemp. Osserva la persistenza stagionale.
Applica la differenza stagionale alla serie detrendizzata e salva il risultato come dd_unemp. Traccia questi nuovi dati e nota che ora sembrano stazionari.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Plot unemp 


# Difference your data and plot it
d_unemp <- 


# Seasonally difference d_unemp and plot it
dd_unemp <- diff(___, lag = 12)

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 - integrated ARMA Exercise 2: ARIMA - plug and play Exercise 3: Simulated ARIMA Exercise 4: Global warming Exercise 5: ARIMA diagnostics Exercise 6: Diagnostics - simulated overfitting Exercise 7: Diagnostics - global temperatures Exercise 8: Forecasting ARIMA Exercise 9: Forecasting simulated ARIMA Exercise 10: Forecasting global temperatures

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: Modelli stagionali puri Exercise 2: P/ACF dei modelli stagionali puri Exercise 3: Adatta un modello puramente stagionale Exercise 4: Modelli stagionali misti Exercise 5: Adatta un modello stagionale misto Exercise 6: Analisi dei dati - disoccupazione I

Esercizio in corso

Exercise 7: Analisi dei dati - disoccupazione II Exercise 8: Analisi dei dati - prezzi delle materie prime Exercise 9: Analisi dei dati - tasso di natalità Exercise 10: Previsioni con ARIMA stagionale Exercise 11: Previsioni della disoccupazione mensile Exercise 12: Quanto è difficile prevedere i prezzi delle materie prime?Exercise 13: Congratulazioni!