Data verkennen

In de video zag je verschillende soorten data. In deze oefening plot je extra tijdreeksen en vergelijk je die met wat je in de video zag. Het is handig om na te denken over hoe deze tijdreeksen zich verhouden tot de reeksen in de video. Richt je vooral op het type trend, seizoenspatroon of periodiciteit, en homoscedasticiteit.

Voordat je een gegevensset voor het eerst gebruikt, is het slim om het helpsysteem te raadplegen voor details over de data. Gebruik bijvoorbeeld help(AirPassengers) of ?AirPassengers om de details van deze reeks te bekijken.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

Cursus bekijken

Oefeninstructies

De pakketten astsa en xts zijn al voorgeladen in je R-omgeving.
Gebruik help() om de specificaties van het AirPassengers-databestand te bekijken.
Gebruik plot() om de gegevens over luchtvaartpassagiers (AirPassengers) te plotten en vergelijk deze met een reeks die je in de video zag.
Plot de dagelijkse slotkoersen van de DJIA (djia$Close) en vergelijk deze met een reeks die je in de video zag.
Plot de Southern Oscillation Index (soi) en onderzoek de reeks op trend, seizoenspatroon en homoscedasticiteit.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# View a detailed description of AirPassengers


# Plot AirPassengers


# Plot the DJIA daily closings


# Plot the Southern Oscillation Index

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: Eerst even dit Exercise 2: Data verkennen

Huidige oefening

Exercise 3: Elementen van tijdreeksen Exercise 4: Stationariteit en niet-stationariteit Exercise 5: Verschillen (differencing)Exercise 6: Gegevens detrenden Exercise 7: Omgaan met trend en heteroscedasticiteit Exercise 8: Stationaire tijdreeksen: ARMA Exercise 9: ARMA-modellen simuleren

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: Pure seasonal models Exercise 2: P/ACF of pure seasonal models Exercise 3: Fit a pure seasonal model Exercise 4: Mixed seasonal models Exercise 5: Fit a mixed seasonal model Exercise 6: Data analysis - unemployment I Exercise 7: Data analysis - unemployment II Exercise 8: Data analysis - commodity prices Exercise 9: Data analysis - birth rate Exercise 10: Forecasting seasonal ARIMA Exercise 11: Forecasting monthly unemployment Exercise 12: How hard is it to forecast commodity prices?Exercise 13: Congratulations!