Diagnostice – supraajustare simulată

O modalitate de a verifica o analiză este să supraajustezi modelul, adăugând un parametru suplimentar, pentru a vedea dacă acesta face o diferență în rezultate. Dacă adăugarea de parametri schimbă drastic rezultatele, ar trebui să îți reconsideri modelul. Dacă însă rezultatele nu se modifică semnificativ, poți fi sigur că ajustarea este corectă.

Am generat 250 de observații dintr-un model ARIMA(0,1,1) cu parametrul MA egal cu .9. Mai întâi, vei ajusta modelul la date folosind tehnici consacrate.

Apoi, poți verifica un model prin supraajustare (adăugând un parametru) pentru a vedea dacă aceasta face o diferență. În acest caz, vei adăuga un parametru MA suplimentar pentru a demonstra că nu este necesar.

Ca de obicei, pachetul astsa este preîncărcat, iar datele generate în x au fost reprezentate grafic pentru tine. Datele diferențiate diff(x) sunt de asemenea reprezentate. Observă că par stationare.

Acest exercițiu face parte din cursul

Modele ARIMA în R

Instrucțiuni pentru exercițiu

Reprezintă grafic ACF și PACF eșantion ale datelor diferențiate folosind acf2() și observă că modelul poate fi identificat cu ușurință.
Ajustează un model ARIMA(0,1,1) la datele simulate folosind sarima(). Compară estimarea parametrului MA cu valoarea reală de .9 și examinează graficele reziduurilor.
Supraajustează modelul adăugând un parametru MA suplimentar. Adică, ajustează un model ARIMA(0,1,2) la date și compară-l cu rularea ARIMA(0,1,1).

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Plot sample P/ACF pair of the differenced data


# Fit the first model, compare parameters, check diagnostics


# Fit the second model and compare fit

Editează și rulează codul

Acest exercițiu face parte din cursul

Modele ARIMA în R

SkillTag.level.beginnerSkillTag.label

4.9+

Începe cursul gratuit

Vei investiga natura datelor de tip serii de timp și vei învăța elementele de bază ale modelelor ARMA care pot explica comportamentul acestora. Vei învăța comenzile esențiale din R necesare pentru a pregăti datele brute de tip serii de timp într-o formă care poate fi analizată cu modele ARMA.

Exercise 1: Înainte de toate Exercise 2: Explorare date Exercise 3: Elementele unei serii de timp Exercise 4: Staționaritate și nestaționaritate Exercise 5: Diferențierea Exercise 6: Eliminarea trendului din date Exercise 7: Gestionarea trendului și a heteroscedasticității Exercise 8: Serii de timp staționare: ARMA Exercise 9: Simularea modelelor ARMA

Vei descoperi lumea modelelor ARMA și cum să le ajustezi la date de tip serii de timp. Vei învăța cum să identifici un model, cum să alegi modelul potrivit și cum să îl verifici după ajustare. Vei folosi comenzi R pentru serii de timp din pachetele stats și astsa.

Exercise 1: Modele AR și MA Exercise 2: Ajustarea unui model AR(1)Exercise 3: Ajustarea unui model AR(2)Exercise 4: Ajustarea unui model MA(1)Exercise 5: AR și MA împreună Exercise 6: Ajustarea unui model ARMA Exercise 7: Identifică un model ARMA Exercise 8: Alegerea modelului și analiza reziduurilor Exercise 9: Alegerea modelului - I Exercise 10: Alegerea modelului - II Exercise 11: Analiza reziduurilor - I Exercise 12: Analiza reziduurilor - II Exercise 13: ARMA în acțiune

Acum că știi să ajustezi modele ARMA la serii de timp stationare, vei învăța despre modelele ARMA integrate (ARIMA) pentru serii de timp nestationare. Vei ajusta modelele la date reale folosind comenzi R pentru serii de timp din pachetele stats și astsa.

Exercise 1: ARIMA – ARMA integrat Exercise 2: ARIMA - plug and play Exercise 3: ARIMA simulat Exercise 4: Încălzirea globală Exercise 5: Diagnostice ARIMA Exercise 6: Diagnostice – supraajustare simulată

Exercițiul curent

Exercise 7: Diagnosticare – temperaturi globale Exercise 8: Prognoză cu ARIMA Exercise 9: Prognozarea unui ARIMA simulat Exercise 10: Prognozarea temperaturilor globale

Vei învăța cum să ajustezi și să previzionezi date de tip serii de timp sezoniere folosind modele ARIMA sezoniere. Acest lucru se realizează pe baza cunoștințelor dobândite în capitolele anterioare și prin extinderea comenzilor R pentru serii de timp disponibile în pachetele stats și astsa.

Exercise 1: Modele pur sezoniere Exercise 2: ACF/PACF pentru modele pur sezoniere Exercise 3: Ajustează un model pur sezonier Exercise 4: Modele sezoniere mixte Exercise 5: Ajustează un model sezonier mixt Exercise 6: Analiza datelor - șomaj I Exercise 7: Analiza datelor - șomaj II Exercise 8: Analiză de date – prețuri la mărfuri Exercise 9: Analiza datelor - rata natalității Exercise 10: Prognozarea cu modele ARIMA sezoniere Exercise 11: Prognozarea șomajului lunar Exercise 12: Cât de dificilă este prognoza prețurilor la mărfuri?Exercise 13: Felicitări!