Automatische ARIMA-modellen voor niet-seizoensgebonden tijdreeksen

In de video heb je geleerd dat de functie auto.arima() een passend autoregressive integrated moving average (ARIMA)-model kiest voor een tijdreeks, net zoals de functie ets() dat doet voor ETS-modellen. De functie summary() kan extra inzichten geven:

> # p = 2, d = 1, p = 2
> summary(fit)

Series: usnetelec
ARIMA(2,1,2) with drift
...

In deze oefening kies je automatisch een ARIMA-model voor de vooraf ingeladen austa-reeks, die het jaarlijkse aantal internationale bezoekers aan Australië van 1980–2015 bevat. Vervolgens controleer je de residuen (onthoud dat een p-waarde groter dan 0,05 aangeeft dat de data op white noise lijkt) en maak je enkele voorspellingen. Afgezien van de modelleringsfunctie is dit identiek aan wat je deed met ETS-voorspellen.

Deze oefening maakt deel uit van de cursus

Voorspellen in R

Cursus bekijken

Oefeninstructies

Pas een automatisch ARIMA-model toe op de austa-reeks met de nieuw geïntroduceerde functie. Sla dit op als fit.
Gebruik de juiste functie om te controleren of de residuen van het resulterende model op white noise lijken. Ken TRUE toe (als de residuen op white noise lijken) of FALSE (als dat niet zo is) aan residualsok.
Pas summary() toe op het model om de geschatte coëfficiënten te zien.
Op basis van de resultaten met summary(): wat is de AICc-waarde tot op twee decimalen? Hoeveel verschillen zijn er gebruikt? Ken deze respectievelijk toe aan AICc en d.
Plot ten slotte, met de pipe-operator, voorspellingen voor de volgende 10 perioden vanuit het gekozen model.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Fit an automatic ARIMA model to the austa series
fit <- ___

# Check that the residuals look like white noise
___
residualsok <- ___

# Summarize the model
___

# Find the AICc value and the number of differences used
AICc <- ___
d <- ___

# Plot forecasts of fit
fit %>% forecast(h = ___) %>% ___()

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Voorspellen in R

SkillTag.level.beginnerSkillTag.label

4.9+

Begin de cursus gratis

The first thing to do in any data analysis task is to plot the data. Graphs enable many features of the data to be visualized, including patterns, unusual observations, and changes over time. The features that are seen in plots of the data must then be incorporated, as far as possible, into the forecasting methods to be used.

Exercise 1: Welcome to Forecasting Using R Exercise 2: Creating time series objects in R Exercise 3: Time series plots Exercise 4: Seasonal plots Exercise 5: Trends, seasonality, and cyclicity Exercise 6: Autocorrelation of non-seasonal time series Exercise 7: Autocorrelation of seasonal and cyclic time series Exercise 8: Match the ACF to the time series Exercise 9: White noise Exercise 10: Stock prices and white noise

In this chapter, you will learn general tools that are useful for many different forecasting situations. It will describe some methods for benchmark forecasting, methods for checking whether a forecasting method has adequately utilized the available information, and methods for measuring forecast accuracy. Each of the tools discussed in this chapter will be used repeatedly in subsequent chapters as you develop and explore a range of forecasting methods.

Exercise 1: Forecasts and potential futures Exercise 2: Naive forecasting methods Exercise 3: Fitted values and residuals Exercise 4: Checking time series residuals Exercise 5: Training and test sets Exercise 6: Evaluating forecast accuracy of non-seasonal methods Exercise 7: Evaluating forecast accuracy of seasonal methods Exercise 8: Do I have a good forecasting model?Exercise 9: Time series cross-validation Exercise 10: Using tsCV() for time series cross-validation

Forecasts produced using exponential smoothing methods are weighted averages of past observations, with the weights decaying exponentially as the observations get older. In other words, the more recent the observation, the higher the associated weight. This framework generates reliable forecasts quickly and for a wide range of time series, which is a great advantage and of major importance to applications in business.

Exercise 1: Exponentially weighted forecasts Exercise 2: Simple exponential smoothing Exercise 3: SES vs naive Exercise 4: Exponential smoothing methods with trend Exercise 5: Holt's trend methods Exercise 6: Exponential smoothing methods with trend and seasonality Exercise 7: Holt-Winters with monthly data Exercise 8: Holt-Winters method with daily data Exercise 9: State space models for exponential smoothing Exercise 10: Automatic forecasting with exponential smoothing Exercise 11: ETS vs seasonal naive Exercise 12: Match the models to the time series Exercise 13: When does ETS fail?

ARIMA models provide another approach to time series forecasting. Exponential smoothing and ARIMA models are the two most widely-used approaches to time series forecasting, and provide complementary approaches to the problem. While exponential smoothing models are based on a description of the trend and seasonality in the data, ARIMA models aim to describe the autocorrelations in the data.

Exercise 1: Transformaties om variantie te stabiliseren Exercise 2: Box-Cox-transformaties voor tijdreeksen Exercise 3: Niet-seizoensgebonden differencing voor stationariteit Exercise 4: Seizoensdifferentiatie voor stationariteit Exercise 5: ARIMA-modellen Exercise 6: Automatische ARIMA-modellen voor niet-seizoensgebonden tijdreeksen

Huidige oefening

Exercise 7: Voorspellen met ARIMA-modellen Exercise 8: auto.arima() en ets() vergelijken op niet-seizoensgebonden data Exercise 9: Seizoensgebonden ARIMA-modellen Exercise 10: Automatische ARIMA-modellen voor seizoensreeksen Exercise 11: Opties van auto.arima() verkennen Exercise 12: auto.arima() en ets() vergelijken op seizoensdata

The time series models in the previous chapters work well for many time series, but they are often not good for weekly or hourly data, and they do not allow for the inclusion of other information such as the effects of holidays, competitor activity, changes in the law, etc. In this chapter, you will look at some methods that handle more complicated seasonality, and you consider how to extend ARIMA models in order to allow other information to be included in the them.

Exercise 1: Dynamic regression Exercise 2: Forecasting sales allowing for advertising expenditure Exercise 3: Forecasting electricity demand Exercise 4: Dynamic harmonic regression Exercise 5: Forecasting weekly data Exercise 6: Harmonic regression for multiple seasonality Exercise 7: Forecasting call bookings Exercise 8: TBATS models Exercise 9: TBATS models for electricity demand Exercise 10: Your future in forecasting!