Modelkeuze - I

Op basis van het voorbeeld van het P/ACF-paar van de gelogde en gedifferentieerde varve-gegevens (dl_varve) werd een MA(1) aangegeven. De beste aanpak voor het fitten van ARMA is om te beginnen met een model met lage orde en vervolgens telkens één parameter toe te voegen om te zien of de resultaten veranderen.

In deze oefening fit je verschillende modellen op de dl_varve-gegevens en noteer je de AIC en BIC voor elk model. In de volgende oefening gebruik je deze AIC- en BIC-waarden om een model te kiezen. Onthoud dat je het model met de kleinste AIC- en/of BIC-waarde wilt behouden.

Een opmerking voordat je begint:

sarima(x, p = 0, d = 0, q = 1) en sarima(x, 0, 0, 1)

zijn hetzelfde.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

Cursus bekijken

Oefeninstructies

Het pakket astsa is voorgeladen. De varve-reeks is gelogd en gedifferentieerd als dl_varve <- diff(log(varve)).
Gebruik sarima() om een MA(1) te fitten op dl_varve. Bekijk de output van je sarima()-opdracht goed om de AIC en BIC van dit model te zien.
Herhaal de vorige stap, maar voeg een MA-parameter toe door een MA(2)-model te fitten. Is dit op basis van AIC en BIC een verbetering ten opzichte van het vorige model?
Voeg in plaats van een MA-parameter een AR-parameter toe aan de oorspronkelijke MA(1)-fit. Dus: fit een ARMA(1,1) op dl_varve. Is dit op basis van AIC en BIC een verbetering ten opzichte van de vorige modellen?

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Fit an MA(1) to dl_varve.   


# Fit an MA(2) to dl_varve. Improvement?


# Fit an ARMA(1,1) to dl_varve. Improvement?

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

Huidige oefening

Exercise 10: Modelkeuze - II Exercise 11: Residualanalyse - I 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!