ARMA, kom d'r in

Je hebt inmiddels flink wat ervaring opgedaan met het fitten van ARMA-modellen op data, maar voordat je het viert, doe je nog één (soort van) zelfstandige oefening.

De data in oil zijn WTI-spotprijzen voor ruwe olie, FOB (in dollars per vat), wekelijkse gegevens van 2000 tot 2008. Gebruik je vaardigheden om een ARMA-model te fitten op de rendementen. De wekelijkse ruwe-olieprijzen (oil) zijn alvast voor je geplot. Werk in de hele oefening met de rendementen, die je zelf zult berekenen.

Zoals eerder is het astsa pakket voor je geladen. De data zijn als oil voor je ingeladen en geplot.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

Cursus bekijken

Oefeninstructies

Bereken de benaderde rendementen van de ruwe-olieprijs met diff() en log(). Zet de rendementen in oil_returns.
Plot oil_returns en let erop dat er een paar uitschieters zijn vóór 2004. Verzeker jezelf ervan dat de rendementen stationair zijn.
Plot de steekproef-ACF en -PACF van oil_returns met acf2() uit het astsa-pakket.
Uit het P/ACF-paar blijkt dat de correlaties klein zijn en de rendementen bijna ruis zijn. Maar het kan ook dat zowel de ACF als de PACF langzaam uitdoven. Als dat zo is, dan ligt een ARMA(1,1) voor de hand. Fit dit model op de olierendementen met sarima(). Past het model goed? Zie je de uitschieters in de residu-plot?

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Calculate approximate oil returns
oil_returns <-

# Plot oil_returns. Notice the outliers.


# Plot the P/ACF pair for oil_returns


# Assuming both P/ACF are tailing, fit a model to oil_returns

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

Huidige oefening

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!