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.

Eerst even dit

Data verkennen

Elementen van tijdreeksen

Stationariteit en niet-stationariteit

Verschillen (differencing)

Gegevens detrenden

Omgaan met trend en heteroscedasticiteit

Stationaire tijdreeksen: ARMA

ARMA-modellen simuleren

Tijdreeksdata en -modellen

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.

AR- en MA-modellen

Een AR(1)-model fitten

Een AR(2)-model fitten

Een MA(1)-model passen

AR en MA samen

Een ARMA-model fitten

Identificeer een ARMA‑model

Modelkeuze en residu-analyse

Modelkeuze - I

Modelkeuze - II

Residualanalyse - I

Residuanalyse - II

ARMA, kom d'r in

ARMA-modellen fitten

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.

ARIMA - geïntegreerde ARMA

ARIMA - plug-and-play

Gesimuleerde ARIMA

Opwarming van de aarde

ARIMA-diagnostiek

Diagnostiek - gesimuleerde overfitting

Diagnostiek - mondiale temperaturen

ARIMA-voorspellingen

Voorspellen met gesimuleerde ARIMA

Wereldwijde temperaturen voorspellen

ARIMA-modellen

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.

Zuiver seizoensgebonden modellen

P/ACF van zuiver seizoensgebonden modellen

Pas een puur seizoensmodel

Gemengde seizoensmodellen

Een gemengd seizoensmodel fitten

Data-analyse - werkloosheid I

Data-analyse - werkloosheid II

Data-analyse - grondstofprijzen

Data-analyse - geboortecijfer

Seizoens-ARIMA voorspellen

Maandelijkse werkloosheid voorspellen

Hoe lastig is het om grondstofprijzen te voorspellen?

Gefeliciteerd!

Seizoens-ARIMA

In deze cursus word je een expert in het fitten van ARIMA-modellen op tijdreeksgegevens met R. Eerst verken je de aard van tijdreeksgegevens met de tools uit het R-pakket stats. Daarna leer je hoe je verschillende ARMA-modellen fit op gesimuleerde data (waarbij je het juiste model kent) met het R-pakket astsa. Als je de basis onder de knie hebt, leer je hoe je geïntegreerde ARMA-modellen, oftewel ARIMA-modellen, fit op verschillende echte gegevenssets. Je leert hoe je de geldigheid van een ARIMA-model controleert en hoe je tijdreeksen kunt voorspellen. Tot slot leer je ARIMA-modellen fitten op seizoensdata, inclusief het maken van voorspellingen met het astsa-pakket.

Time Series Analysis in R

In deze cursus word je expert in ARIMA-modellen met R, van gesimuleerde tot seizoensgebonden data.

ARIMA-modellen in R

Word een expert in het toepassen van ARIMA-modellen (autoregressive integrated moving average) op tijdreeksgegevens met behulp van R.

Kwantitatief analist  in R

Tijdreeks  in R

Maandelijkse werkloosheid voorspellen

ARIMA-modellen in R

Oefeninstructies

Interactieve oefening met praktijkervaring