1. Nauka
    2. /
  2. Kursy
    3. /
  3. Prognozowanie w R
Connected

ćwiczenie

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.

Instrukcje

100 XP
  • Dopasuj automatyczny model ARIMA do szeregu austa, używając nowo poznanej funkcji. Wynik zapisz do zmiennej fit.
  • Użyj odpowiedniej funkcji, aby sprawdzić, czy reszty otrzymanego modelu przypominają biały szum. Przypisz TRUE (jeśli reszty przypominają biały szum) lub FALSE (jeśli nie) do zmiennej residualsok.
  • 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 do AICc i d.
  • Na koniec, używając operatora potoku, wyrysuj prognozy na kolejne 10 okresów na podstawie wybranego modelu.