ComeçarComece de graça

Modelos ARIMA automáticos para séries sazonais

Como você viu no vídeo, a função auto.arima() também funciona com dados sazonais. Note que definir lambda = 0 na função auto.arima() — aplicando uma transformação log — significa que o modelo será ajustado aos dados transformados e que as previsões serão revertidas para a escala original.

Após aplicar summary() a esse tipo de modelo ajustado, você pode ver algo como a saída abaixo, que corresponde a \((p,d,q)(P,D,Q)[m]\):

ARIMA(0,1,4)(0,1,1)[12]

Neste exercício, você vai usar essas funções para modelar e prever os dados h02 pré-carregados, que contêm as vendas mensais de corticoides na Austrália.

Este exercício faz parte do curso

Previsão em R

Ver curso

Instruções do exercício

  • Usando a função de plotagem padrão, plote os dados h02 com log para verificar se a variância é estável.
  • Ajuste um modelo ARIMA sazonal para a série h02 com lambda = 0. Salve em fit.
  • Resuma o modelo ajustado usando o método apropriado.
  • Quais níveis de diferenciação foram usados no modelo? Atribua a diferenciação de defasagem 1 a d e a diferenciação sazonal a D.
  • Faça o gráfico das previsões para os próximos 2 anos usando o modelo ajustado. Defina h de acordo.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Check that the logged h02 data have stable variance
h02 %>% ___ %>% ___

# Fit a seasonal ARIMA model to h02 with lambda = 0
fit <- ___

# Summarize the fitted model
___

# Record the amount of lag-1 differencing and seasonal differencing used
d <- ___
D <- ___

# Plot 2-year forecasts
fit %>% ___ %>% ___
Editar e executar o código