Analisi dei dati - disoccupazione II

Ora continuerai ad adattare un modello SARIMA alla serie temporale mensile della disoccupazione USA unemp, esaminando l'ACF e la PACF campionarie della serie completamente differenziata.

Nota che l'asse dei ritardi nel grafico di P/ACF campionaria è espresso in anni. Quindi, i ritardi 1, 2, 3, … rappresentano 1 anno (12 mesi), 2 anni (24 mesi), 3 anni (36 mesi), …

Ancora una volta, il pacchetto astsa è già stato caricato per te.

Questo esercizio fa parte del corso

Modelli ARIMA in R

Visualizza il corso

Istruzioni dell'esercizio

Differenzia completamente i dati (come nell'esercizio precedente) e traccia l'ACF e la PACF campionarie dei dati trasformati fino al ritardo di 60 mesi (5 anni). Considera che, per
- la componente non stagionale: la PACF si tronca al ritardo 2 e l'ACF decresce gradualmente.
- la componente stagionale: l'ACF si tronca al ritardo 12 e la PACF decresce ai ritardi 12, 24, 36, …
Proponi e adatta un modello usando sarima(). Controlla i residui per assicurarti che l'adattamento del modello sia appropriato.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Plot P/ACF pair of fully differenced data to lag 60
dd_unemp <- diff(diff(unemp), lag = 12)


# Fit an appropriate model

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 Exercise 7: Analisi dei dati - disoccupazione II

Esercizio in corso

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!