Pas een puur seizoensmodel

Net als bij andere modellen kun je in R seizoensmodellen fitten met het commando sarima() uit het astsa pakket.

Om gevoel te krijgen voor hoe pure seizoensmodellen werken, kun je het beste naar gesimuleerde data kijken. We hebben 250 observaties gegenereerd uit een puur seizoensmodel gegeven door $$X_t = .9 X_{t-12} + W_t + .5 W_{t-12}\,,$$ wat we zouden noteren als een SARMA(P = 1, Q = 1)_{S = 12}. Drie jaar aan data en de model-ACF en -PACF zijn alvast voor je geplot.

Je vergelijkt de steekproef-ACF- en PACF-waarden van de gegenereerde data met de weergegeven ware waarden.

Het astsa-pakket is al voor je geladen en de gegenereerde data staan in x.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

Cursus bekijken

Oefeninstructies

Gebruik acf2() om de steekproef-ACF en -PACF van de gegenereerde data tot en met vertraging 60 te plotten en vergelijk met de werkelijke waarden. Om tot vertraging 60 te schatten, zet je het argument max.lag gelijk aan 60.
Fit het model op de gegenereerde data met sarima(). Geef naast de argumenten p, d en q in je sarima()-commando ook P, D, Q en S op (let op: R is hoofdlettergevoelig).

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Plot sample P/ACF to lag 60 and compare to the true values
acf2(___, max.lag = ___)

# Fit the seasonal model to x
sarima(x, p = 0, d = 0, q = 0, P = ___, D = 0, Q = ___, S = ___)

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 and MA models Exercise 2: Fitting an AR(1) model Exercise 3: Fitting an AR(2) model Exercise 4: Fitting an MA(1) model Exercise 5: AR and MA together Exercise 6: Fitting an ARMA model Exercise 7: Identify an ARMA model Exercise 8: Model choice and residual analysis Exercise 9: Model choice - I Exercise 10: Model choice - II Exercise 11: Residual analysis - I Exercise 12: Residual analysis - II Exercise 13: ARMA get 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: Zuiver seizoensgebonden modellen Exercise 2: P/ACF van zuiver seizoensgebonden modellen Exercise 3: Pas een puur seizoensmodel

Huidige oefening

Exercise 4: Gemengde seizoensmodellen Exercise 5: Een gemengd seizoensmodel fitten Exercise 6: Data-analyse - werkloosheid I Exercise 7: Data-analyse - werkloosheid II Exercise 8: Data-analyse - grondstofprijzen Exercise 9: Data-analyse - geboortecijfer Exercise 10: Seizoens-ARIMA voorspellen Exercise 11: Maandelijkse werkloosheid voorspellen Exercise 12: Hoe lastig is het om grondstofprijzen te voorspellen?Exercise 13: Gefeliciteerd!