P/ACF de modelos sazonais puros

No vídeo, você viu que uma série temporal ARMA sazonal pura é correlacionada apenas nas defasagens sazonais. Consequentemente, a ACF e a PACF se comportam como as versões não sazonais, mas nas defasagens sazonais, 1S, 2S, …, onde S é o período sazonal (S = 12 para dados mensais). Como no caso não sazonal, você tem a tabela sazonal pura:

Comportamento da ACF e PACF para modelos SARMA puros

	AR(P)_S	MA(Q)_S	ARMA(P,Q)_S
ACF*	Diminui gradualmente nas defasagens sazonais	Corta após a defasagem QS	Diminui gradualmente nas defasagens sazonais
PACF*	Corta após a defasagem PS	Diminui gradualmente nas defasagens sazonais	Diminui gradualmente nas defasagens sazonais

*Os valores nas defasagens não sazonais são zero.

Traçamos a ACF e a PACF verdadeiras de um modelo sazonal puro. Identifique o modelo usando as seguintes abreviações SAR(P)_S, SMA(Q)_S ou SARMA(P,Q)_S para os modelos AR, MA ou ARMA sazonais puros com período sazonal S, respectivamente.

Este exercício faz parte do curso

Modelos ARIMA em R

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

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 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

Exercício atual

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!