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.

Zacznijmy od podstaw

Zabawa z danymi

Elementy szeregu czasowego

Stacjonarność i niestacjonarność

Różnicowanie

Usuwanie trendu z danych

Trend i heteroskedastyczność – jak sobie z nimi radzić

Stacjonarne szeregi czasowe: ARMA

Symulowanie modeli ARMA

Dane i modele szeregów czasowych

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.

Modele AR i MA

Dopasowywanie modelu AR(1)

Dopasowywanie modelu AR(2)

Dopasowywanie modelu MA(1)

AR i MA razem

Dopasowywanie modelu ARMA

Identyfikacja modelu ARMA

Wybór modelu i analiza reszt

Wybór modelu – I

Wybór modelu – II

Analiza reszt – I

Analiza reszt – II

Czas na ARMA

Dopasowywanie modeli 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.

ARIMA – zintegrowany ARMA

ARIMA – podłącz i uruchom

Symulowane ARIMA

Globalne ocieplenie

Diagnostyka modeli ARIMA

Diagnostyka – symulowane nadmierne dopasowanie

Diagnostyka – temperatury globalne

Prognozowanie ARIMA

Prognozowanie symulowanych danych ARIMA

Prognozowanie globalnych temperatur

Modele ARIMA

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.

Czyste modele sezonowe

ACF i PACF czystych modeli sezonowych

Dopasuj czysty model sezonowy

Mieszane modele sezonowe

Dopasuj mieszany model sezonowy

Analiza danych – bezrobocie I

Analiza danych – bezrobocie II

Analiza danych – ceny surowców

Analiza danych – współczynnik urodzeń

Prognozowanie sezonowego modelu ARIMA

Prognozowanie miesięcznego bezrobocia

Jak trudno jest prognozować ceny surowców?

Gratulacje!

Sezonowe modele ARIMA

W tym kursie staniesz się ekspertem w dopasowywaniu modeli ARIMA do danych szeregów czasowych przy użyciu R. Na początku zbadasz naturę danych szeregów czasowych, korzystając z narzędzi dostępnych w pakiecie stats. Następnie nauczysz się dopasowywać różne modele ARMA do danych symulowanych (gdzie znasz właściwy model) za pomocą pakietu astsa. Po opanowaniu podstaw przejdziesz do dopasowywania zintegrowanych modeli ARMA, czyli modeli ARIMA, do różnych rzeczywistych zbiorów danych. Nauczysz się weryfikować poprawność modelu ARIMA oraz prognozować dane szeregów czasowych. Na koniec poznasz metody dopasowywania modeli ARIMA do danych sezonowych, w tym prognozowanie z wykorzystaniem pakietu astsa.

Time Series Analysis in R

Na tym kursie nauczysz się dopasowywać modele ARIMA do danych szeregów czasowych w R.

Modele ARIMA w R

Zostań ekspertem w dopasowywaniu modeli ARIMA (autoregresyjnych zintegrowanych średnich ruchomych) do danych szeregów czasowych w R.

Analityk ilościowy  w R

Szeregi czasowe  w R

Wybór modelu – II

Modele ARIMA w R

Interaktywne ćwiczenie praktyczne