Abbina l'ACF alla serie temporale

Ora che hai visto i grafici ACF per diverse serie temporali, dovresti essere in grado di riconoscere le caratteristiche della serie a partire dal solo grafico ACF.

Abbina i grafici ACF mostrati (A-D) ai rispettivi grafici temporali (1-4).

Questo esercizio fa parte del corso

Previsioni in R

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

Previsioni in R

InicianteNível de habilidade

4.9+

Inizia il corso gratuitamente

La prima cosa da fare in qualsiasi analisi dei dati è tracciare un grafico dei dati. I grafici permettono di visualizzare molte caratteristiche, inclusi schemi ricorrenti, osservazioni anomale e cambiamenti nel tempo. Le caratteristiche che emergono dai grafici devono poi essere incorporate, per quanto possibile, nei metodi di previsione che si intende utilizzare.

Exercise 1: Benvenuto in Forecasting in R Exercise 2: Creare oggetti di serie temporali in R Exercise 3: Grafici di serie temporali Exercise 4: Grafici stagionali Exercise 5: Trend, stagionalità e ciclicità Exercise 6: Autocorrelazione di serie temporali non stagionali Exercise 7: Autocorrelazione di serie temporali stagionali e cicliche Exercise 8: Abbina l'ACF alla serie temporale

Esercizio attuale

Exercise 9: Rumore bianco Exercise 10: Prezzi azionari e rumore bianco

In questo capitolo imparerai strumenti generali utili in molte diverse situazioni di previsione. Descriverà alcuni metodi di riferimento per le previsioni, metodi per verificare se un metodo di previsione ha sfruttato adeguatamente le informazioni disponibili e metodi per misurare l’accuratezza delle previsioni. Ognuno degli strumenti discussi qui verrà riutilizzato nei capitoli successivi mentre svilupperai ed esplorerai una gamma di metodi di previsione.

Exercise 1: Previsioni e futuri possibili Exercise 2: Metodi di previsione naive Exercise 3: Valori adattati e residui Exercise 4: Verificare i residui delle serie temporali Exercise 5: Set di training e di test Exercise 6: Valutare l’accuratezza delle previsioni con metodi non stagionali Exercise 7: Valutare l’accuratezza delle previsioni con metodi stagionali Exercise 8: Ho un buon modello di previsione?Exercise 9: Cross-validation per serie storiche Exercise 10: Uso di tsCV() per la cross-validation su serie temporali

Le previsioni generate con metodi di smorzamento esponenziale sono medie ponderate delle osservazioni passate, con pesi che decadono esponenzialmente man mano che le osservazioni diventano più vecchie. In altre parole, più recente è l’osservazione, maggiore è il peso associato. Questo approccio permette di ottenere previsioni affidabili in modo rapido e per un’ampia varietà di serie temporali, un grande vantaggio di notevole importanza per le applicazioni aziendali.

Exercise 1: Previsioni a pesi esponenziali Exercise 2: Smussamento esponenziale semplice Exercise 3: SES vs naive Exercise 4: Metodi di smoothing esponenziale con trend Exercise 5: Metodi di trend di Holt Exercise 6: Metodi di smoothing esponenziale con trend e stagionalità Exercise 7: Holt-Winters con dati mensili Exercise 8: Metodo di Holt-Winters con dati giornalieri Exercise 9: Modelli a spazio degli stati per lo smoothing esponenziale Exercise 10: Previsioni automatiche con lo smoothing esponenziale Exercise 11: ETS vs naive stagionale Exercise 12: Abbina i modelli alle serie temporali Exercise 13: Quando ETS fallisce?

I modelli ARIMA offrono un altro approccio alle previsioni di serie temporali. Lo smorzamento esponenziale e i modelli ARIMA sono i due approcci più diffusi per le previsioni di serie temporali e forniscono strategie complementari al problema. Mentre i modelli di smorzamento esponenziale si basano su una descrizione del trend e della stagionalità nei dati, i modelli ARIMA mirano a descrivere le autocorrelazioni presenti nei dati.

Exercise 1: Trasformazioni per stabilizzare la varianza Exercise 2: Trasformazioni di Box-Cox per serie temporali Exercise 3: Differenziazione non stagionale per la stazionarietà Exercise 4: Differenziazione stagionale per la stazionarietà Exercise 5: Modelli ARIMA Exercise 6: Modelli ARIMA automatici per serie non stagionali Exercise 7: Previsioni con modelli ARIMA Exercise 8: Confrontare auto.arima() ed ets() su dati non stagionali Exercise 9: Modelli ARIMA stagionali Exercise 10: Modelli ARIMA automatici per serie temporali stagionali Exercise 11: Esplorare le opzioni di auto.arima()Exercise 12: Confrontare auto.arima() ed ets() su dati stagionali

I modelli di serie temporali dei capitoli precedenti funzionano bene per molte serie, ma spesso non sono adatti a dati settimanali o orari e non consentono di includere altre informazioni come gli effetti delle festività, l’attività dei concorrenti, cambiamenti normativi, ecc. In questo capitolo vedrai alcuni metodi che gestiscono una stagionalità più complessa e considererai come estendere i modelli ARIMA per includere anche altre informazioni.

Exercise 1: Regressione dinamica Exercise 2: Prevedere le vendite tenendo conto della spesa pubblicitaria Exercise 3: Prevedere la domanda di elettricità Exercise 4: Regressione armonica dinamica Exercise 5: Previsioni con dati settimanali Exercise 6: Regressione armonica per stagionalità multiple Exercise 7: Previsioni delle prenotazioni di chiamate Exercise 8: Modelli TBATS Exercise 9: Modelli TBATS per la domanda di elettricità Exercise 10: Il tuo futuro nel forecasting!