Aquecimento global

Agora que você já tem experiência ajustando um modelo ARIMA a dados simulados, sua próxima tarefa é aplicar suas habilidades a dados do mundo real.

Os dados em globtemp (do pacote astsa) são as anomalias anuais da temperatura global até 2015. Neste exercício, você vai usar técnicas consagradas para ajustar um modelo ARIMA a esses dados. Um gráfico dos dados mostra um comportamento de passeio aleatório, o que sugere trabalhar com os dados diferenciados. Os dados diferenciados diff(globtemp) também estão plotados.

Após plotar a ACF e a PACF amostrais dos dados diferenciados diff(globtemp), você pode concluir que:

A ACF e a PACF ambos decaem gradualmente, indicando um modelo ARIMA(1,1,1).
A ACF se corta na defasagem 2 e a PACF decai gradualmente, indicando um ARIMA(0,1,2).
A ACF decai gradualmente e a PACF se corta na defasagem 3, indicando um ARIMA(3,1,0). Embora esse modelo se ajuste razoavelmente bem, ele é o pior dos três (você pode verificar) porque usa parâmetros demais para autocorrelações tão pequenas.

Depois de ajustar os dois primeiros modelos, verifique o AIC e o BIC para escolher o modelo preferido.

Este exercício faz parte do curso

Modelos ARIMA em R

Instruções do exercício

Plote a ACF e a PACF amostrais dos dados diferenciados, diff(globtemp), para descobrir que 2 modelos parecem razoáveis: um ARIMA(1,1,1) e um ARIMA(0,1,2).
Use sarima() para ajustar um modelo ARIMA(1,1,1) a globtemp. Todos os parâmetros são significativos?
Use outra chamada a sarima() para ajustar um ARIMA(0,1,2) a globtemp. Todos os parâmetros são significativos? Qual modelo é melhor?

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Plot the sample P/ACF pair of the differenced data 


# Fit an ARIMA(1,1,1) model to globtemp


# Fit an ARIMA(0,1,2) model to globtemp. Which model is better?

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 Exercise 4: Aquecimento global

Exercício atual

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!