화이트 노이즈 모델과 랜덤 워크 모델은 정상성(stationary)을 만족하나요?
화이트 노이즈(white noise, WN)와 랜덤 워크(random walk, RW) 모델은 서로 밀접하게 관련되어 있어요. 하지만 드리프트 항이 있든 없든, RW만이 항상 비정상(non-stationary)입니다. 이번 연습은 시뮬레이션으로 두 모델의 차이를 확인해 볼 거예요.
평균이 0인 WN 과정을 시작으로 그 누적합(running 또는 cumulative sum)을 계산하면 RW 과정이 됩니다. 이 변환은 cumsum() 함수로 간단히 할 수 있어요. 비슷하게, 평균이 0이 아닌 WN 과정을 만든 다음 누적합을 계산하면 드리프트가 있는 RW 과정이 됩니다.
이 연습은 강의의 일부입니다
R로 배우는 시계열 분석
연습 안내
arima.sim()을 사용해 WN 모델을 생성하세요.model인수는list(order = c(0, 0, 0))로 설정해 WN 유형 모델을 만들고,n은100으로 설정해 관측값 100개를 생성하세요. 결과를white_noise에 저장하세요.white_noise에cumsum()함수를 적용해 WN 모델을 빠르게 RW 데이터로 변환하세요. 결과를random_walk에 저장하세요.- 같은 방식으로
arima.sim()을 다시 호출해 두 번째 WN 모델을 생성하세요. 다른 인수는 그대로 두고, 이번에는mean인수를0.4로 설정하세요. 결과를wn_drift에 저장하세요. wn_drift데이터를 RW로 변환하기 위해cumsum()을 한 번 더 호출하세요. 결과를rw_drift로 저장하세요.- 비교를 위해 네 개의 시계를 모두 그리는 미리 작성된 코드를 입력하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Use arima.sim() to generate WN data
white_noise <-
# Use cumsum() to convert your WN data to RW
random_walk <-
# Use arima.sim() to generate WN drift data
wn_drift <-
# Use cumsum() to convert your WN drift data to RW
rw_drift <-
# Plot all four data objects
plot.ts(cbind(white_noise, random_walk, wn_drift, rw_drift))