Zacznij terazZacznij za darmo

Globalne ocieplenie

Masz już doświadczenie z dopasowywaniem modeli ARIMA do danych symulowanych – czas zastosować tę wiedzę do prawdziwych danych.

Zbiór globtemp (z pakietu astsa) zawiera roczne odchylenia globalnej temperatury do 2015 roku. W tym ćwiczeniu użyjesz poznanych technik, aby dopasować model ARIMA do tych danych. Wykres danych sugeruje zachowanie błądzenia losowego, co oznacza, że warto pracować na danych różnicowanych. Na wykresie widoczne są również zróżnicowane dane diff(globtemp).

Po wykreśleniu próbkowych funkcji ACF i PACF dla zróżnicowanych danych diff(globtemp) możesz stwierdzić, że:

  1. Zarówno ACF, jak i PACF maleją stopniowo, co wskazuje na model ARIMA(1,1,1).
  2. ACF urywa się przy opóźnieniu 2, a PACF maleje stopniowo, co wskazuje na model ARIMA(0,1,2).
  3. ACF maleje stopniowo, a PACF urywa się przy opóźnieniu 3, co wskazuje na model ARIMA(3,1,0). Model ten dopasowuje się dość dobrze, ale jest najgorszy z trzech (możesz to sprawdzić), ponieważ używa zbyt wielu parametrów przy tak małych autokorelacjach.

Po dopasowaniu dwóch pierwszych modeli porównaj wartości AIC i BIC, aby wybrać lepszy model.

To ćwiczenie jest częścią kursu

Modele ARIMA w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Wykreśl próbkowe funkcje ACF i PACF dla zróżnicowanych danych diff(globtemp), aby przekonać się, że zasadne wydają się dwa modele: ARIMA(1,1,1) oraz ARIMA(0,1,2).
  • Użyj funkcji sarima(), aby dopasować model ARIMA(1,1,1) do danych globtemp. Czy wszystkie parametry są istotne?
  • Użyj kolejnego wywołania funkcji sarima(), aby dopasować model ARIMA(0,1,2) do danych globtemp. Czy wszystkie parametry są istotne? Który model jest lepszy?

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Plot the sample P/ACF pair of the differenced data 


# Fit an ARIMA(1,1,1) model to globtemp


# Fit an ARIMA(0,1,2) model to globtemp. Which model is better?
Edytuj i uruchom kod