1. Learn
    2. /
  2. Courses
    3. /
  3. Analiza szeregów czasowych w R
Connected

Exercise

Porównanie modelu błądzenia losowego (RW) i modelu autoregresyjnego (AR)

Model błądzenia losowego (RW) to szczególny przypadek modelu autoregresyjnego (AR), w którym parametr nachylenia wynosi 1. Przypomnij sobie z poprzednich rozdziałów, że model RW nie jest stacjonarny i wykazuje bardzo silną persystencję. Jego funkcja autokowariancji (ACF) opada do zera bardzo wolno, co oznacza, że wartości z przeszłości mają długotrwały wpływ na wartości bieżące.

Stacjonarny model AR ma parametr nachylenia z przedziału od -1 do 1. Wykazuje większą persystencję, gdy parametr nachylenia jest bliższy 1, jednak proces stosunkowo szybko powraca do swojej średniej. Jego funkcja ACF opada do zera w szybkim tempie (geometrycznie), co wskazuje, że wartości z dalekiej przeszłości mają niewielki wpływ na przyszłe wartości procesu.

W tym ćwiczeniu zbadasz te właściwości, symulując i rysując dane z modelu AR.

Instructions

100 XP
  • Użyj funkcji arima.sim(), aby zasymulować 200 obserwacji z modelu AR z nachyleniem 0.9. Zapisz wynik do x.
  • Użyj funkcji ts.plot(), aby narysować wykres x, oraz acf(), aby wyświetlić jego funkcję ACF.
  • Wykonaj to samo dla modelu AR z nachyleniem 0.98. Zapisz wynik do y.
  • Wykonaj to samo dla modelu RW (z) i porównaj szeregi czasowe oraz funkcje ACF wygenerowane przez te trzy modele.