Ajuste um modelo sazonal misto

A dependência puramente sazonal, como a explorada anteriormente neste capítulo, é relativamente rara. A maioria das séries temporais sazonais tem dependência mista, ou seja, apenas parte da variação é explicada por tendências sazonais.

Lembre-se de que o modelo sazonal completo é denotado por SARIMA(p,d,q)x(P,D,Q)_S, em que as letras maiúsculas representam as ordens sazonais.

Como antes, este exercício pede que você compare o par ACF/PACF amostral com os valores verdadeiros para alguns dados sazonais simulados e ajuste um modelo aos dados usando sarima(). Desta vez, os dados simulados vêm de um modelo sazonal misto, SARIMA(0,0,1)x(0,0,1)₁₂. Os gráficos mostram três anos de dados, além da ACF e da PACF do modelo. Note que, ao contrário do modelo puramente sazonal, há correlações nos defasagens não sazonais assim como nas sazonais.

Como sempre, o pacote astsa já está carregado. Os dados gerados estão em x.

Este exercício faz parte do curso

Modelos ARIMA em R

Instruções do exercício

Trace a ACF e a PACF amostrais dos dados gerados até a defasagem 60 (max.lag = 60) e compare com os valores reais.
Ajuste o modelo aos dados gerados (x) usando sarima(). Como no exercício anterior, lembre-se de especificar os argumentos sazonais adicionais no seu comando sarima().

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Plot sample P/ACF pair to lag 60 and compare to actual


# Fit the seasonal model to x

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 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

Exercício atual

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!