Análise de resíduos - I

Como você viu no vídeo, uma execução de sarima() inclui um gráfico de análise de resíduos. Especificamente, a saída mostra (1) os resíduos padronizados, (2) a FAC amostral dos resíduos, (3) um gráfico Q-Q normal e (4) os valores de p correspondentes à estatística Q de Box-Ljung-Pierce.

Em cada execução, verifique os quatro gráficos de resíduos da seguinte forma:

Os resíduos padronizados devem se comportar como um ruído branco com média zero e variância um. Examine o gráfico de resíduos para identificar desvios desse comportamento.
A FAC amostral dos resíduos deve se parecer com a de ruído branco. Examine a FAC para identificar desvios desse comportamento.
A normalidade é uma suposição essencial ao ajustar modelos ARMA. Examine o gráfico Q-Q para verificar desvios da normalidade e identificar outliers.
Use o gráfico da estatística Q para ajudar a testar desvios da brancura dos resíduos.

Como no exercício anterior, dl_varve <- diff(log(varve)), que é exibido abaixo de um gráfico de varve. O pacote astsa já está carregado.

Este exercício faz parte do curso

Modelos ARIMA em R

Instruções do exercício

Use sarima() para ajustar um MA(1) a dl_varve e faça uma análise completa dos resíduos como indicado acima. Anote o que você observar para o próximo exercício.
Use outra chamada a sarima() para ajustar um ARMA(1,1) a dl_varve e faça uma análise completa dos resíduos como indicado acima. Novamente, anote o que você observar para o próximo exercício.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Fit an MA(1) to dl_varve. Examine the residuals  


# Fit an ARMA(1,1) to dl_varve. Examine the residuals

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

Exercício atual

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 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!