O modelo de ruído branco ou o passeio aleatório são estacionários?

Os modelos de ruído branco (WN) e passeio aleatório (RW) são muito próximos. No entanto, apenas o RW é sempre não estacionário, com ou sem termo de tendência (drift). Este é um exercício de simulação para destacar as diferenças.

Lembre-se de que, se começarmos com um processo WN de média zero e calcularmos sua soma acumulada, o resultado é um processo RW. A função cumsum() faz essa transformação para você. Da mesma forma, se criarmos um processo WN, mas alterarmos sua média de zero e então calcularmos a soma acumulada, o resultado é um processo RW com drift.

Este exercício faz parte do curso

Análise de Séries Temporais em R

Ver curso

Instruções do exercício

Use arima.sim() para gerar um modelo WN. Defina o argumento model como list(order = c(0, 0, 0)) para gerar um modelo do tipo WN e defina n como 100 para produzir 100 observações. Salve em white_noise.
Use a função cumsum() em white_noise para converter rapidamente seu modelo WN em dados RW. Salve em random_walk.
Use uma chamada similar a arima.sim() para gerar um segundo modelo WN. Mantenha todos os argumentos iguais, mas desta vez defina o argumento mean como 0.4. Salve em wn_drift.
Use outra chamada a cumsum() para converter seus dados wn_drift em RW. Salve como rw_drift.
Insira o código pré-escrito para plotar as quatro séries e compará-las.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Use arima.sim() to generate WN data
white_noise <- 

# Use cumsum() to convert your WN data to RW
random_walk <- 
  
# Use arima.sim() to generate WN drift data
wn_drift <- 
  
# Use cumsum() to convert your WN drift data to RW
rw_drift <- 

# Plot all four data objects
plot.ts(cbind(white_noise, random_walk, wn_drift, rw_drift))

Editar e executar o código