Prognozowanie symulowanych danych ARIMA

Skoro dobrze znasz już dopasowywanie modeli ARIMA, możesz wykorzystać tę wiedzę do prognozowania. Zaczniesz od danych symulowanych.

Wygenerowaliśmy 120 obserwacji z modelu ARIMA(1,1,0) z parametrem AR równym 0,9. Dane znajdują się w y, a pierwsze 100 obserwacji – w x. Obserwacje są już dla ciebie wyrysowane. Dopasuj model ARIMA(1,1,0) do danych w x i sprawdź, czy model dobrze pasuje do danych. Następnie użyj funkcji sarima.for() z pakietu astsa, aby sporządzić prognozę na 20 kroków czasowych w przód. Porównaj uzyskane prognozy z rzeczywistymi wartościami w y.

Podstawowa składnia prognozowania to sarima.for(data, n.ahead, p, d, q), gdzie n.ahead to dodatnia liczba całkowita określająca horyzont prognozy. Na wyjściu wyświetlane są przewidywane wartości wraz z błędami standardowymi, dane są wyrysowane na czarno, a prognozy – na czerwono, wraz z dwiema granicami błędu średniokwadratowego zaznaczonymi niebieską przerywaną linią.

Pakiet astsa jest już wczytany, a dane (x) oraz dane po różnicowaniu (diff(x)) są wyrysowane.

To ćwiczenie jest częścią kursu

Modele ARIMA w R

Instrukcje do ćwiczenia

Wyrysuj próbkową ACF i PACF danych po różnicowaniu, aby określić odpowiedni model.
Użyj funkcji sarima(), aby dopasować model ARIMA(1,1,0) do danych. Przeanalizuj wyniki polecenia sarima(), aby ocenić jakość dopasowania i diagnostykę modelu.
Użyj funkcji sarima.for(), aby sporządzić prognozę na 20 kroków czasowych w przód. Porównaj ją z rzeczywistymi wartościami.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Plot P/ACF pair of differenced data 


# Fit model - check t-table and diagnostics


# Forecast the data 20 time periods ahead
sarima.for(x, n.ahead = ___, p = ___, d = ___, q = ___) 
lines(y)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Modele ARIMA w R

SkillTag.level.beginnerSkillTag.label

4.9+

Rozpocznij kurs za darmo

Zbadasz naturę danych szeregów czasowych i poznasz podstawy modeli ARMA, które pozwalają opisać zachowanie takich danych. Nauczysz się podstawowych poleceń R potrzebnych do przekształcenia surowych danych szeregów czasowych do postaci gotowej do analizy przy użyciu modeli ARMA.

Exercise 1: Zacznijmy od podstaw Exercise 2: Zabawa z danymi Exercise 3: Elementy szeregu czasowego Exercise 4: Stacjonarność i niestacjonarność Exercise 5: Różnicowanie Exercise 6: Usuwanie trendu z danych Exercise 7: Trend i heteroskedastyczność – jak sobie z nimi radzić Exercise 8: Stacjonarne szeregi czasowe: ARMA Exercise 9: Symulowanie modeli ARMA

Odkryjesz świat modeli ARMA i poznasz metody dopasowywania ich do danych szeregów czasowych. Nauczysz się identyfikować model, wybierać właściwy model oraz weryfikować go po dopasowaniu do danych. Poznasz polecenia R do analizy szeregów czasowych z pakietów stats i astsa.

Exercise 1: Modele AR i MA Exercise 2: Dopasowywanie modelu AR(1)Exercise 3: Dopasowywanie modelu AR(2)Exercise 4: Dopasowywanie modelu MA(1)Exercise 5: AR i MA razem Exercise 6: Dopasowywanie modelu ARMA Exercise 7: Identyfikacja modelu ARMA Exercise 8: Wybór modelu i analiza reszt Exercise 9: Wybór modelu – I Exercise 10: Wybór modelu – II Exercise 11: Analiza reszt – I Exercise 12: Analiza reszt – II Exercise 13: Czas na ARMA

Skoro wiesz już, jak dopasowywać modele ARMA do stacjonarnych szeregów czasowych, teraz poznasz zintegrowane modele ARMA (ARIMA) przeznaczone do niestacjonarnych szeregów czasowych. Dopasujesz te modele do rzeczywistych danych, korzystając z poleceń R z pakietów stats i astsa.

Exercise 1: ARIMA – zintegrowany ARMA Exercise 2: ARIMA – podłącz i uruchom Exercise 3: Symulowane ARIMA Exercise 4: Globalne ocieplenie Exercise 5: Diagnostyka modeli ARIMA Exercise 6: Diagnostyka – symulowane nadmierne dopasowanie Exercise 7: Diagnostyka – temperatury globalne Exercise 8: Prognozowanie ARIMA Exercise 9: Prognozowanie symulowanych danych ARIMA

Bieżące ćwiczenie

Exercise 10: Prognozowanie globalnych temperatur

Nauczysz się dopasowywać sezonowe modele ARIMA i prognozować sezonowe szeregi czasowe. Wykorzystasz wiedzę zdobytą w poprzednich rozdziałach i rozszerzysz ją o nowe możliwości poleceń R dostępnych w pakietach stats i astsa.

Exercise 1: Czyste modele sezonowe Exercise 2: ACF i PACF czystych modeli sezonowych Exercise 3: Dopasuj czysty model sezonowy Exercise 4: Mieszane modele sezonowe Exercise 5: Dopasuj mieszany model sezonowy Exercise 6: Analiza danych – bezrobocie I Exercise 7: Analiza danych – bezrobocie II Exercise 8: Analiza danych – ceny surowców Exercise 9: Analiza danych – współczynnik urodzeń Exercise 10: Prognozowanie sezonowego modelu ARIMA Exercise 11: Prognozowanie miesięcznego bezrobocia Exercise 12: Jak trudno jest prognozować ceny surowców?Exercise 13: Gratulacje!