ComeçarComece de graça

Modelos ARIMA automáticos para séries temporais não sazonais

No vídeo, você viu que a função auto.arima() seleciona um modelo apropriado de autoregressive integrated moving average (ARIMA) para uma série temporal, assim como a função ets() faz para modelos ETS. A função summary() pode trazer alguns insights adicionais:

> # p = 2, d = 1, p = 2
> summary(fit)

Series: usnetelec
ARIMA(2,1,2) with drift
...

Neste exercício, você vai escolher automaticamente um modelo ARIMA para a série austa (já carregada), que contém o número anual de visitantes internacionais à Austrália de 1980 a 2015. Em seguida, você vai verificar os resíduos (lembre-se de que um p-valor maior que 0,05 indica que os dados se parecem com ruído branco) e gerar algumas previsões. Tirando a função de modelagem, isto é idêntico ao que você fez com previsões usando ETS.

Este exercício faz parte do curso

Previsão em R

Ver curso

Instruções do exercício

  • Ajuste um modelo ARIMA automático à série austa usando a função recém-apresentada. Salve em fit.
  • Use a função apropriada para verificar se os resíduos do modelo resultante se parecem com ruído branco. Atribua TRUE (se os resíduos parecerem ruído branco) ou FALSE (se não parecerem) a residualsok.
  • Aplique summary() ao modelo para ver os coeficientes ajustados.
  • Com base nos resultados de summary(), qual é o valor de AICc com duas casas decimais? Quantas diferenças foram usadas? Atribua-os a AICc e d, respectivamente.
  • Por fim, usando o operador pipe, faça o gráfico das previsões dos próximos 10 períodos a partir do modelo escolhido.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Fit an automatic ARIMA model to the austa series
fit <- ___

# Check that the residuals look like white noise
___
residualsok <- ___

# Summarize the model
___

# Find the AICc value and the number of differences used
AICc <- ___
d <- ___

# Plot forecasts of fit
fit %>% forecast(h = ___) %>% ___()
Editar e executar o código