Analiza reszt – I

Jak widziałeś(-aś) w filmie, wyniki działania funkcji sarima() zawierają wykres analizy reszt. Konkretnie, na wyjściu widoczne są: (1) zestandaryzowane reszty, (2) próbkowa ACF reszt, (3) wykres normalności Q-Q oraz (4) wartości p odpowiadające statystyce Q Boxa-Ljunga-Pierce'a.

Przy każdym uruchomieniu sprawdź cztery wykresy reszt w następujący sposób:

Zestandaryzowane reszty powinny zachowywać się jak sekwencja białego szumu o średniej zero i wariancji jeden. Przeanalizuj wykres reszt pod kątem odchyleń od tego wzorca.
Próbkowa ACF reszt powinna wyglądać jak ACF białego szumu. Sprawdź ACF pod kątem odchyleń od tego wzorca.
Normalność to kluczowe założenie przy dopasowywaniu modeli ARMA. Zbadaj wykres Q-Q pod kątem odchyleń od normalności i obecności obserwacji odstających.
Skorzystaj z wykresu statystyki Q, aby przetestować, czy reszty odbiegają od białego szumu.

Podobnie jak w poprzednim ćwiczeniu, dl_varve <- diff(log(varve)) – ta zmienna jest przedstawiona na wykresie poniżej wykresu varve. Pakiet astsa jest już wczytany.

To ćwiczenie jest częścią kursu

Modele ARIMA w R

Instrukcje do ćwiczenia

Użyj funkcji sarima(), aby dopasować model MA(1) do dl_varve, i przeprowadź pełną analizę reszt zgodnie z powyższymi wskazówkami. Zanotuj swoje obserwacje – przydadzą się w następnym ćwiczeniu.
Wywołaj ponownie funkcję sarima(), aby dopasować model ARMA(1,1) do dl_varve, i przeprowadź pełną analizę reszt zgodnie z powyższymi wskazówkami. Ponownie zanotuj swoje obserwacje na potrzeby następnego ćwiczenia.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Fit an MA(1) to dl_varve. Examine the residuals  


# Fit an ARMA(1,1) to dl_varve. Examine the residuals

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

Bieżące ćwiczenie

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 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!