ARIMA simulado

Antes de analisar séries temporais reais, vale a pena praticar com um modelo um pouco mais complexo.

Aqui, geramos 250 observações do modelo ARIMA(2,1,0) com deriva, dado por $$Y_t = 1 + 1.5 Y_{t-1} - .75 Y_{t-2} + W_t\,$$ onde \(Y_t = \nabla X_t = X_{t} - X_{t-1}\).

Você vai usar as técnicas que já aprendeu para ajustar um modelo aos dados.

O pacote astsa está pré-carregado e os dados gerados estão em x. As séries x e a série sem tendência y <- diff(x) foram plotadas.

Este exercício faz parte do curso

Modelos ARIMA em R

Instruções do exercício

Faça o gráfico da ACF e da PACF amostrais usando acf2() nos dados diferenciados diff(x) para determinar um modelo.
Ajuste um modelo ARIMA(2,1,0) usando sarima() aos dados gerados. Examine a t-table e outras informações da saída para avaliar o ajuste do modelo.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Plot sample P/ACF of differenced data and determine model



# Estimate parameters and examine output

Editar e executar o código

Este exercício faz parte do curso

Modelos ARIMA em R

InicianteNível de habilidade

4.9+

Iniciar curso de graça

Você vai investigar a natureza dos dados de séries temporais e aprender o básico sobre modelos ARMA que explicam o comportamento desses dados. Você aprenderá os comandos fundamentais do R para preparar dados brutos de séries temporais no formato que pode ser analisado com modelos ARMA.

Exercise 1: Primeiro o básico Exercise 2: Brincando com os dados Exercise 3: Elementos de séries temporais Exercise 4: Estacionariedade e não estacionariedade Exercise 5: Diferenças (Differencing)Exercise 6: Removendo tendências dos dados Exercise 7: Lidando com tendência e heterocedasticidade Exercise 8: Séries temporais estacionárias: ARMA Exercise 9: Simulando modelos ARMA

Você vai descobrir o mundo dos modelos ARMA e como ajustá-los a séries temporais. Vai aprender a identificar um modelo, escolher o modelo correto e verificar um modelo depois de ajustá-lo aos dados. Você também vai aprender a usar os comandos de séries temporais do R dos pacotes stats e astsa.

Exercise 1: Modelos AR e MA Exercise 2: Ajustando um modelo AR(1)Exercise 3: Ajustando um modelo AR(2)Exercise 4: Ajustando um modelo MA(1)Exercise 5: AR e MA juntos Exercise 6: Ajustando um modelo ARMA Exercise 7: Identificar um modelo ARMA Exercise 8: Escolha de modelo e análise de resíduos Exercise 9: Escolha do modelo - I Exercise 10: Escolha de modelo - II Exercise 11: Análise de resíduos - I Exercise 12: Análise de resíduos - II Exercise 13: Entrando no ARMA

Agora que você sabe ajustar modelos ARMA a séries temporais estacionárias, vai aprender sobre modelos ARMA integrados (ARIMA) para séries não estacionárias. Você ajustará os modelos a dados reais usando os comandos de séries temporais do R nos pacotes stats e astsa.

Exercise 1: ARIMA - ARMA integrado Exercise 2: ARIMA - plug and play Exercise 3: ARIMA simulado

Exercício atual

Exercise 4: Aquecimento global Exercise 5: Diagnósticos de ARIMA Exercise 6: Diagnóstico - sobreajuste simulado Exercise 7: Diagnóstico - temperaturas globais Exercise 8: Previsão com ARIMA Exercise 9: Previsão com ARIMA simulado Exercise 10: Prevendo temperaturas globais

Você vai aprender a ajustar e prever séries temporais sazonais usando modelos ARIMA sazonais. Isso é feito aplicando o que você aprendeu nos capítulos anteriores e estendendo os comandos de séries temporais do R disponíveis nos pacotes stats e astsa.

Exercise 1: Modelos puramente sazonais Exercise 2: P/ACF de modelos sazonais puros Exercise 3: Ajuste um modelo puramente sazonal Exercise 4: Modelos sazonais mistos Exercise 5: Ajuste um modelo sazonal misto Exercise 6: Análise de dados - desemprego I Exercise 7: Análise de dados - desemprego II Exercise 8: Análise de dados - preços de commodities Exercise 9: Análise de dados - taxa de natalidade Exercise 10: Previsão com ARIMA sazonal Exercise 11: Forecasting mensal do desemprego Exercise 12: Quão difícil é prever preços de commodities?Exercise 13: Parabéns!