Diagnóstico - sobreajuste simulado

Uma forma de verificar uma análise é superdimensionar o modelo adicionando um parâmetro extra para ver se isso muda os resultados. Se adicionar parâmetros alterar drasticamente os resultados, você deve repensar seu modelo. Porém, se os resultados não mudarem muito, você pode ficar confiante de que o ajuste está correto.

Geramos 250 observações de um modelo ARIMA(0,1,1) com parâmetro MA de 0,9. Primeiro, você vai ajustar o modelo aos dados usando técnicas consagradas.

Depois, você pode verificar um modelo por meio de sobreajuste (adicionando um parâmetro) para ver se isso faz diferença. Neste caso, você adicionará um parâmetro MA adicional para ver que ele não é necessário.

Como de costume, o pacote astsa já está carregado e os dados gerados em x foram plotados para você. Os dados diferenciados diff(x) também foram plotados. Observe que eles parecem estacionários.

Este exercício faz parte do curso

Modelos ARIMA em R

Instruções do exercício

Plote a ACF e a PACF amostrais dos dados diferenciados usando acf2() e note que o modelo é facilmente identificado.
Ajuste um modelo ARIMA(0,1,1) aos dados simulados usando sarima(). Compare a estimativa do parâmetro MA com o valor real de 0,9 e examine os gráficos dos resíduos.
Faça o sobreajuste do modelo adicionando um parâmetro MA extra. Ou seja, ajuste um ARIMA(0,1,2) aos dados e compare com a execução do ARIMA(0,1,1).

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Plot sample P/ACF pair of the differenced data


# Fit the first model, compare parameters, check diagnostics


# Fit the second model and compare fit

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 Exercise 5: Diagnósticos de ARIMA Exercise 6: Diagnóstico - sobreajuste simulado

Exercício atual

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!