Zacznij terazZacznij za darmo

Automatyczne modele ARIMA dla sezonowych szeregów czasowych

Jak pokazano w lekcji wideo, funkcja auto.arima() działa również z danymi sezonowymi. Pamiętaj, że ustawienie lambda = 0 w funkcji auto.arima() – czyli zastosowanie transformacji logarytmicznej – powoduje dopasowanie modelu do przekształconych danych, a prognozy są następnie odwracane do oryginalnej skali.

Po wywołaniu summary() na takim dopasowanym modelu możesz zobaczyć wynik podobny do poniższego, odpowiadający postaci \((p,d,q)(P,D,Q)[m]\):

ARIMA(0,1,4)(0,1,1)[12]

W tym ćwiczeniu użyjesz tych funkcji, aby zamodelować i prognozować wczytane dane h02, które zawierają miesięczną sprzedaż leków kortykosteroidowych w Australii.

To ćwiczenie jest częścią kursu

Prognozowanie w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Korzystając ze standardowej funkcji rysowania wykresów, zwizualizuj logarytm danych h02, aby sprawdzić, czy wariancja jest stabilna.
  • Dopasuj sezonowy model ARIMA do szeregu h02 z parametrem lambda = 0. Zapisz wynik do zmiennej fit.
  • Podsumuj dopasowany model za pomocą odpowiedniej funkcji.
  • Jakie stopnie różnicowania zostały użyte w modelu? Przypisz wartość różnicowania z opóźnieniem 1 do zmiennej d, a różnicowania sezonowego do zmiennej D.
  • Narysuj prognozy na kolejne 2 lata, korzystając z dopasowanego modelu. Ustaw odpowiednio wartość h.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Check that the logged h02 data have stable variance
h02 %>% ___ %>% ___

# Fit a seasonal ARIMA model to h02 with lambda = 0
fit <- ___

# Summarize the fitted model
___

# Record the amount of lag-1 differencing and seasonal differencing used
d <- ___
D <- ___

# Plot 2-year forecasts
fit %>% ___ %>% ___
Edytuj i uruchom kod