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

ćwiczenie

Dopasowywanie modelu ARMA

Czas połączyć model AR i model MA w jeden model ARMA. Wygenerowaliśmy dane z modelu ARMA(2,1): $$X_t = X_{t-1} - .9 X_{t-2} + W_t + .8 W_{t-1}, $$ x <- arima.sim(model = list(order = c(2, 0, 1), ar = c(1, -.9), ma = .8), n = 250). Przyjrzyj się zasymulowanym danym oraz parze próbkowych ACF i PACF, aby wyznaczyć możliwy model.

Pamiętaj, że dla modeli ARMA(\(p, q\)) zarówno teoretyczna ACF, jak i PACF mają ogony. W tym przypadku trudno odczytać rzędy modelu z danych – może nie być oczywiste, czy próbkowa ACF lub PACF urywa się, czy też stopniowo zanika. Ponieważ znasz prawdziwe rzędy modelu, dopasuj ARMA(2,1) do wygenerowanych danych. Ogólne strategie modelowania zostaną omówione w dalszej części kursu.

Instrukcje

100 XP
  • Pakiet astsa jest wstępnie załadowany. W x znajduje się 250 obserwacji z modelu ARMA(2,1).
  • Tak jak w poprzednich ćwiczeniach, użyj plot(), aby wyświetlić wygenerowane dane z x, a następnie acf2(), aby obejrzeć parę próbkowych ACF i PACF.
  • Użyj sarima(), aby dopasować model ARMA(2,1) do wygenerowanych danych. Przeanalizuj tabelę t i porównaj uzyskane estymaty z prawdziwymi wartościami.