1. Nauka
    2. /
  2. Kursy
    3. /
  3. Modele ARIMA w R
Connected

ćwiczenie

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.

Instrukcje

100 XP
  • 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.