Een gemengd seizoensmodel fitten

Zuiver seizoensafhankelijke patronen, zoals eerder in dit hoofdstuk besproken, komen relatief weinig voor. De meeste seizoensreeksen hebben een gemengde afhankelijkheid: slechts een deel van de variatie wordt verklaard door seizoenspatronen.

Onthoud dat het volledige seizoensmodel wordt genoteerd als SARIMA(p,d,q)x(P,D,Q)_S, waarbij hoofdletters de seizoensordes aangeven.

Zoals eerder, vraagt deze oefening je om het steekproef-P/ACF-paar te vergelijken met de werkelijke waarden voor gesimuleerde seizoensdata en een model te fitten op de data met sarima(). Deze keer zijn de gesimuleerde data afkomstig van een gemengd seizoensmodel, SARIMA(0,0,1)x(0,0,1)₁₂. De grafieken tonen drie jaar aan data, evenals de model-ACF en -PACF. Let op dat, in tegenstelling tot het zuiver seizoensmodel, er correlaties zijn op zowel de niet-seizoensmatige vertragingen als de seizoensmatige vertragingen.

Zoals altijd is het pakket astsa al geladen. De gegenereerde data staan in x.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

Cursus bekijken

Oefeninstructies

Plot de steekproef-ACF en -PACF van de gegenereerde data tot lag 60 (max.lag = 60) en vergelijk ze met de echte waarden.
Fit het model op de gegenereerde data (x) met sarima(). Zorg er, net als in de vorige oefening, voor dat je de extra seizoensargumenten meegeeft in je sarima()-opdracht.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Plot sample P/ACF pair to lag 60 and compare to actual


# Fit the seasonal model to x

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 Exercise 4: Gemengde seizoensmodellen Exercise 5: Een gemengd seizoensmodel fitten

Huidige oefening

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!