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.

First things first

Data play

Elements of time series

Stationarity and nonstationarity

Differencing

Detrending data

Dealing with trend and heteroscedasticity

Stationary time series: ARMA

Simulating ARMA models

Time Series Data and 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.

AR and MA models

Fitting an AR(1) model

Fitting an AR(2) model

Fitting an MA(1) model

AR and MA together

Fitting an ARMA model

Identify an ARMA model

Model choice and residual analysis

Model choice - I

Model choice - II

Residual analysis - I

Residual analysis - II

ARMA get in

Fitting ARMA models

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.

ARIMA - integrated ARMA

ARIMA - plug and play

Simulated ARIMA

Global warming

ARIMA diagnostics

Diagnostics - simulated overfitting

Diagnostics - global temperatures

Forecasting ARIMA

Forecasting simulated ARIMA

Forecasting global temperatures

ARIMA Models

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.

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!

Seasonal 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

Praktische interactieve oefening