Simuleer het random walk-model met een drift

Een random walk (RW) hoeft niet rond nul te schommelen; hij kan een stijgende of dalende lijn hebben, oftewel een drift of tijdstrend. Dit doe je door een intercept op te nemen in het RW-model, wat overeenkomt met de helling van de RW-tijdstrend.

Als alternatief kun je de cumulatieve som nemen van een white noise (WN)-reeks met een constante gemiddelde waarde, zodat het gemiddelde overeenkomt met de helling van de RW-tijdstrend.

Om data te simuleren uit het RW-model met een drift gebruik je opnieuw de functie arima.sim() met het argument model = list(order = c(0, 1, 0)). Deze keer voeg je het extra argument mean = ... toe om de driftvariabele, ofwel het intercept, te specificeren.

Deze oefening maakt deel uit van de cursus

Tijdreeksanalyse in R

Cursus bekijken

Oefeninstructies

Gebruik arima.sim() om nog een RW-model te genereren. Stel het argument model gelijk aan list(order = c(0, 1, 0)) om een RW-type model te genereren en zet n op 100 om 100 observaties te maken. Zet het argument mean op 1 om een drift te creëren. Sla dit op als rw_drift.
Gebruik ts.plot() om je rw_drift-data te plotten.
Gebruik diff() om het eerste verschil van je rw_drift-data te berekenen. Sla dit op als rw_drift_diff.
Gebruik nog een aanroep van ts.plot() om rw_drift_diff te plotten.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Generate a RW model with a drift uing arima.sim
rw_drift <- arima.sim(model = ___, n = ___, mean = ___)

# Plot rw_drift


# Calculate the first difference series
rw_drift_diff <- 

# Plot rw_drift_diff

Code bewerken en uitvoeren