Diagnostiek - mondiale temperaturen

Je kunt nu je analyse van de mondiale temperaturen afronden. Denk eraan dat je eerder twee modellen op de gegevens in globtemp hebt gefit: een ARIMA(1,1,1) en een ARIMA(0,1,2). Voer in de eindanalyse de residudiagnostiek uit en gebruik AIC en BIC voor de modelkeuze.

De gegevens zijn voor je uitgezet.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

Oefeninstructies

Fit een ARIMA(0,1,2)-model op globtemp en controleer de diagnostiek. Wat vertelt de output je over het model?
Fit een ARIMA(1,1,1)-model op globtemp en controleer de diagnostiek.
Welk model is beter? Vervang de lege plekken door je antwoord (bijv. ARIMA(0,1,2) of ARIMA(1,1,1)).

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Fit ARIMA(0,1,2) to globtemp and check diagnostics  
 

# Fit ARIMA(1,1,1) to globtemp and check diagnostics


# Which is the better model?
"ARIMA(___,___,___)"

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

SkillTag.level.beginnerSkillTag.label

4.9+

Begin gratis met de cursus

Je onderzoekt de aard van tijdreeksgegevens en leert de basis van ARMA-modellen die het gedrag van zulke data kunnen verklaren. Je leert de basiscommando’s in R die helpen om ruwe tijdreeksdata om te zetten naar een vorm die je met ARMA-modellen kunt analyseren.

Exercise 1: Eerst even dit Exercise 2: Data verkennen Exercise 3: Elementen van tijdreeksen Exercise 4: Stationariteit en niet-stationariteit Exercise 5: Verschillen (differencing)Exercise 6: Gegevens detrenden Exercise 7: Omgaan met trend en heteroscedasticiteit Exercise 8: Stationaire tijdreeksen: ARMA Exercise 9: ARMA-modellen simuleren

Je ontdekt de wondere wereld van ARMA-modellen en hoe je deze modellen op tijdreeksdata fit. Je leert hoe je een model identificeert, het juiste model kiest en hoe je een model verifieert zodra je het op data hebt gefit. Je leert R-tijdreekscommando’s gebruiken uit de pakketten stats en astsa.

Exercise 1: AR- en MA-modellen Exercise 2: Een AR(1)-model fitten Exercise 3: Een AR(2)-model fitten Exercise 4: Een MA(1)-model passen Exercise 5: AR en MA samen Exercise 6: Een ARMA-model fitten Exercise 7: Identificeer een ARMA‑model Exercise 8: Modelkeuze en residu-analyse Exercise 9: Modelkeuze - I Exercise 10: Modelkeuze - II Exercise 11: Residualanalyse - I Exercise 12: Residuanalyse - II Exercise 13: ARMA, kom d'r in

Nu je weet hoe je ARMA-modellen fit op stationaire tijdreeksen, leer je over geïntegreerde ARMA- (ARIMA-)modellen voor niet-stationaire tijdreeksen. Je fit de modellen op echte data met R-tijdreekscommando’s uit de pakketten stats en astsa.

Exercise 1: ARIMA - geïntegreerde ARMA Exercise 2: ARIMA - plug-and-play Exercise 3: Gesimuleerde ARIMA Exercise 4: Opwarming van de aarde Exercise 5: ARIMA-diagnostiek Exercise 6: Diagnostiek - gesimuleerde overfitting Exercise 7: Diagnostiek - mondiale temperaturen

Huidige oefening

Exercise 8: ARIMA-voorspellingen Exercise 9: Voorspellen met gesimuleerde ARIMA Exercise 10: Wereldwijde temperaturen voorspellen

Je leert hoe je seizoensgebonden tijdreeksen fit en voorspelt met seizoens-ARIMA-modellen. Dit doe je met wat je in de vorige hoofdstukken hebt geleerd en door te leren hoe je de R-tijdreekscommando’s uit de pakketten stats en astsa uitbreidt.

Exercise 1: Zuiver seizoensgebonden modellen Exercise 2: P/ACF van zuiver seizoensgebonden modellen Exercise 3: Pas een puur seizoensmodel Exercise 4: Gemengde seizoensmodellen Exercise 5: Een gemengd seizoensmodel fitten Exercise 6: Data-analyse - werkloosheid I Exercise 7: Data-analyse - werkloosheid II Exercise 8: Data-analyse - grondstofprijzen Exercise 9: Data-analyse - geboortecijfer Exercise 10: Seizoens-ARIMA voorspellen Exercise 11: Maandelijkse werkloosheid voorspellen Exercise 12: Hoe lastig is het om grondstofprijzen te voorspellen?Exercise 13: Gefeliciteerd!