Data-analyse - geboortecijfer

Nu ga je je nieuwe vaardigheden gebruiken om zorgvuldig een SARIMA-model te fitten op de tijdreeks birth uit astsa. De data zijn maandelijks aantal levendgeborenen (gecorrigeerd) in duizenden voor de Verenigde Staten, 1948-1979, en omvatten de babyboom na WOII.

De birth-data zijn geplot in je R-console. Let op de langetermijntrend (random walk) en de seizoenscomponent in de data.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

Cursus bekijken

Oefeninstructies

Gebruik diff() om de data te differentiëren (d_birth). Gebruik acf2() om de steekproef-ACF en -PACF van deze data tot en met lag 60 te bekijken. Let op de seizoensmatige persistentie.
Gebruik nogmaals diff() om het seizoensverschil van de data te nemen. Sla dit op als dd_birth. Gebruik opnieuw acf2() om de ACF en PACF van deze data te bekijken, weer tot en met lag 60. Concludeer dat een SARIMA(0,1,1)x(0,1,1)₁₂-model redelijk lijkt.
Fit het SARIMA(0,1,1)x(0,1,1)₁₂-model. Wat gebeurt er?
Voeg een extra AR-parameter toe (niet-seizoensgebonden, p = 1) om extra correlatie te modelleren. Past het model goed?

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Plot P/ACF to lag 60 of differenced data
d_birth <- diff(birth)


# Plot P/ACF to lag 60 of seasonal differenced data
dd_birth <- diff(d_birth, lag = 12)


# Fit SARIMA(0,1,1)x(0,1,1)_12. What happens?


# Add AR term and conclude

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 Exercise 6: Data-analyse - werkloosheid I Exercise 7: Data-analyse - werkloosheid II Exercise 8: Data-analyse - grondstofprijzen Exercise 9: Data-analyse - geboortecijfer

Huidige oefening

Exercise 10: Seizoens-ARIMA voorspellen Exercise 11: Maandelijkse werkloosheid voorspellen Exercise 12: Hoe lastig is het om grondstofprijzen te voorspellen?Exercise 13: Gefeliciteerd!