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

ćwiczenie

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:

  1. Zestandaryzowane reszty powinny zachowywać się jak sekwencja białego szumu o średniej zero i wariancji jeden. Przeanalizuj wykres reszt pod kątem odchyleń od tego wzorca.
  2. Próbkowa ACF reszt powinna wyglądać jak ACF białego szumu. Sprawdź ACF pod kątem odchyleń od tego wzorca.
  3. Normalność to kluczowe założenie przy dopasowywaniu modeli ARMA. Zbadaj wykres Q-Q pod kątem odchyleń od normalności i obecności obserwacji odstających.
  4. 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.

Instrukcje

100 XP
  • 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.