Giochiamo con i dati

Nel video hai visto vari tipi di dati. In questo esercizio, tracerai altre serie temporali e le confronterai con quelle viste nel video. È utile riflettere su come queste serie si confrontano con quelle del video. In particolare, concentrati su tipo di trend, stagionalità o periodicità e omoschedasticità.

Prima di usare un insieme di dati per la prima volta, conviene consultare il sistema di aiuto per vedere i dettagli. Ad esempio, usa help(AirPassengers) o ?AirPassengers per vedere le caratteristiche della serie.

Questo esercizio fa parte del corso

Modelli ARIMA in R

Visualizza il corso

Istruzioni dell'esercizio

I pacchetti astsa e xts sono già caricati nel tuo ambiente R.
Usa help() per visualizzare le specifiche del file di dati AirPassengers.
Usa plot() per tracciare i dati dei passeggeri aerei (AirPassengers) e confrontali con una serie vista nel video.
Traccia le chiusure giornaliere del DJIA (djia$Close) e confrontale con una serie vista nel video.
Traccia il Southern Oscillation Index (soi) e verifica la presenza di trend, stagionalità e omoschedasticità.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# View a detailed description of AirPassengers


# Plot AirPassengers


# Plot the DJIA daily closings


# Plot the Southern Oscillation Index

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: Prima di tutto Exercise 2: Giochiamo con i dati

Esercizio in corso

Exercise 3: Elementi delle serie storiche Exercise 4: Stazionarietà e non stazionarietà Exercise 5: Differenziazione Exercise 6: Rimozione del trend (detrending)Exercise 7: Gestire trend ed eteroschedasticità Exercise 8: Serie temporali stazionarie: ARMA Exercise 9: Simulare modelli ARMA

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: 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!