Automatyczne modele ARIMA dla niesezonowych szeregów czasowych
W filmie dowiedziałeś się, że funkcja auto.arima() automatycznie dobiera odpowiedni model autoregresyjny zintegrowany ze średnią ruchomą (ARIMA) dla danego szeregu czasowego – podobnie jak funkcja ets() robi to dla modeli ETS. Funkcja summary() pozwala uzyskać dodatkowe informacje:
> # p = 2, d = 1, p = 2
> summary(fit)
Series: usnetelec
ARIMA(2,1,2) with drift
...
W tym ćwiczeniu automatycznie dobierzesz model ARIMA dla wstępnie wczytanego szeregu austa, który zawiera roczną liczbę zagranicznych turystów odwiedzających Australię w latach 1980–2015. Następnie sprawdzisz reszty modelu (pamiętaj, że p-wartość większa niż 0,05 wskazuje, że dane przypominają biały szum) i wygenerujesz prognozy. Poza funkcją modelowania, procedura jest identyczna jak przy prognozowaniu metodą ETS.
To ćwiczenie jest częścią kursu
Prognozowanie w R
Instrukcje do ćwiczenia
- Dopasuj automatyczny model ARIMA do szeregu
austa, używając nowo poznanej funkcji. Wynik zapisz do zmiennejfit. - Użyj odpowiedniej funkcji, aby sprawdzić, czy reszty otrzymanego modelu przypominają biały szum. Przypisz
TRUE(jeśli reszty przypominają biały szum) lubFALSE(jeśli nie) do zmiennejresidualsok. - Zastosuj
summary()do modelu, aby zobaczyć dopasowane współczynniki. - Na podstawie wyników
summary()– jaka jest wartość AICc z dokładnością do dwóch miejsc po przecinku? Ile różnicowań zostało zastosowanych? Przypisz te wartości odpowiednio doAICcid. - Na koniec, używając operatora potoku, wyrysuj prognozy na kolejne 10 okresów na podstawie wybranego modelu.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Fit an automatic ARIMA model to the austa series
fit <- ___
# Check that the residuals look like white noise
___
residualsok <- ___
# Summarize the model
___
# Find the AICc value and the number of differences used
AICc <- ___
d <- ___
# Plot forecasts of fit
fit %>% forecast(h = ___) %>% ___()