Prognozarea unui ARIMA simulat

Acum că ești expert în ajustarea modelelor ARIMA, îți poți folosi abilitățile și pentru prognoze. Mai întâi, vei lucra cu date simulate.

Am generat 120 de observații dintr-un model ARIMA(1,1,0) cu parametrul AR egal cu 0,9. Datele se află în y, iar primele 100 de observații sunt în x. Aceste observații sunt deja reprezentate grafic. Vei ajusta un model ARIMA(1,1,0) pe datele din x și vei verifica dacă modelul se potrivește bine. Apoi folosește sarima.for() din pachetul astsa pentru a prognoza datele cu 20 de perioade înainte. Vei compara apoi prognozele cu datele reale din y.

Sintaxa de bază pentru prognoză este sarima.for(data, n.ahead, p, d, q), unde n.ahead este un număr întreg pozitiv care specifică orizontul de prognoză. Valorile prezise și erorile lor standard sunt afișate, datele sunt reprezentate în negru, iar prognozele apar în roșu, însoțite de două intervale de eroare medie pătratică reprezentate prin linii albastre punctate.

Pachetul astsa este preîncărcat, iar datele (x) și datele diferențiate (diff(x)) sunt deja reprezentate grafic.

Acest exercițiu face parte din cursul

Modele ARIMA în R

Instrucțiuni pentru exercițiu

Reprezintă grafic ACF și PACF ale eșantionului pentru datele diferențiate, pentru a determina un model potrivit.
Folosește sarima() pentru a ajusta un model ARIMA(1,1,0) pe date. Analizează rezultatul comenzii sarima() pentru a evalua potrivirea modelului și diagnosticele acestuia.
Folosește sarima.for() pentru a prognoza datele cu 20 de perioade înainte. Compară rezultatele cu valorile reale.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Plot P/ACF pair of differenced data 


# Fit model - check t-table and diagnostics


# Forecast the data 20 time periods ahead
sarima.for(x, n.ahead = ___, p = ___, d = ___, q = ___) 
lines(y)

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

Exercițiul curent

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!