ARMA-modellen simuleren

Zoals we in de video zagen, kun je elke stationaire tijdreeks schrijven als een lineaire combinatie van witte ruis. Bovendien heeft elk ARMA-model deze vorm, dus het is een goede keuze om stationaire tijdreeksen te modelleren.

R biedt een eenvoudige functie, arima.sim(), om gegevens te genereren uit een ARMA-model. Bijvoorbeeld, de syntax om 100 observaties te genereren uit een MA(1) met parameter .9 is arima.sim(model = list(order = c(0, 0, 1), ma = .9 ), n = 100). Je kunt ook order = c(0, 0, 0) gebruiken om witte ruis te genereren.

In deze oefening genereer je gegevens uit verschillende ARMA-modellen. Genereer voor elke opdracht 200 observaties en plot het resultaat.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in R

Cursus bekijken

Oefeninstructies

Gebruik arima.sim() en plot() om witte ruis te genereren en te plotten.
Gebruik arima.sim() en plot() om een MA(1) met parameter .9 te genereren en te plotten.
Gebruik arima.sim() en plot() om een AR(2) met parameters 1.5 en -.75 te genereren en te plotten.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Generate and plot white noise
WN <- 


# Generate and plot an MA(1) with parameter .9 
MA <- 


# Generate and plot an AR(2) with parameters 1.5 and -.75
AR <-

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 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

Huidige oefening

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!