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

ćwiczenie

Dopasuj mieszany model sezonowy

Czysta zależność sezonowa, taka jak omawiana wcześniej w tym rozdziale, zdarza się stosunkowo rzadko. Większość sezonowych szeregów czasowych wykazuje zależność mieszaną – oznacza to, że tylko część zmienności jest wyjaśniana przez trendy sezonowe.

Przypomnij sobie, że pełny model sezonowy oznaczamy jako SARIMA(p,d,q)x(P,D,Q)S, gdzie wielkie litery oznaczają rzędy sezonowe.

Podobnie jak poprzednio, to ćwiczenie polega na porównaniu próbkowej pary P/ACF z wartościami prawdziwymi dla pewnych symulowanych danych sezonowych oraz na dopasowaniu modelu do tych danych przy użyciu sarima(). Tym razem symulowane dane pochodzą z mieszanego modelu sezonowego SARIMA(0,0,1)x(0,0,1)12. Wykresy przedstawiają trzy lata danych, a także ACF i PACF modelu. Zwróć uwagę, że w odróżnieniu od czystego modelu sezonowego, w tym przypadku korelacje pojawiają się zarówno na opóźnieniach niesezonowych, jak i sezonowych.

Jak zawsze, pakiet astsa jest wczytany. Wygenerowane dane znajdują się w x.

Instrukcje

100 XP
  • Wykreśl próbkowe ACF i PACF wygenerowanych danych do opóźnienia 60 (max.lag = 60) i porównaj je z wartościami rzeczywistymi.
  • Dopasuj model do wygenerowanych danych (x) przy użyciu sarima(). Podobnie jak w poprzednim ćwiczeniu, pamiętaj o podaniu dodatkowych argumentów sezonowych w wywołaniu sarima().