1. Learn
    2. /
  2. Courses
    3. /
  3. Prognozowanie w R
Connected

Exercise

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.

Instructions

100 XP
  • 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.