Residualanalyse - I

Zoals je in de video zag, bevat een sarima()-run een grafische residualanalyse. De output toont specifiek (1) de gestandaardiseerde residuen, (2) de steekproef-ACF van de residuen, (3) een normale Q-Q-plot en (4) de p-waarden die horen bij de Box-Ljung-Pierce Q-statistiek.

Controleer bij elke run de vier residuplots als volgt:

De gestandaardiseerde residuen zouden zich moeten gedragen als een witte-ruisreeks met gemiddelde nul en variantie één. Bekijk de residuplots op afwijkingen van dit gedrag.
De steekproef-ACF van de residuen zou eruit moeten zien als die van witte ruis. Bekijk de ACF op afwijkingen van dit gedrag.
Normaliteit is een essentiële aanname bij het fitten van ARMA-modellen. Bekijk de Q-Q-plot op afwijkingen van normaliteit en om uitschieters te identificeren.
Gebruik de Q-statistiek-plot om te testen op afwijkingen van witheid van de residuen.

Net als in de vorige oefening geldt: dl_varve <- diff(log(varve)), die onder een plot van varve is weergegeven. Het pakket astsa is vooraf geladen.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

Cursus bekijken

Oefeninstructies

Gebruik sarima() om een MA(1) op dl_varve te fitten en voer een volledige residualanalyse uit zoals hierboven beschreven. Noteer wat je ziet voor de volgende oefening.
Gebruik nog een aanroep van sarima() om een ARMA(1,1) op dl_varve te fitten en voer een volledige residualanalyse uit zoals hierboven beschreven. Noteer opnieuw wat je ziet voor de volgende oefening.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Fit an MA(1) to dl_varve. Examine the residuals  


# Fit an ARMA(1,1) to dl_varve. Examine the residuals

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

SkillTag.level.beginnerSkillTag.label

4.9+

Begin de cursus 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- 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

Huidige oefening

Exercise 12: Residuanalyse - II Exercise 13: ARMA, kom d'r 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!