ARMA în acțiune

Până acum ai acumulat o experiență solidă în ajustarea modelelor ARMA la date, dar înainte să celebrezi, mai încearcă un exercițiu (aproape) pe cont propriu.

Datele din oil reprezintă prețul spot al petrolului brut WTI FOB (în dolari pe baril), date săptămânale din perioada 2000–2008. Folosește-ți abilitățile pentru a ajusta un model ARMA la randamente. Prețurile săptămânale ale petrolului brut (oil) sunt deja reprezentate grafic. Pe parcursul exercițiului, lucrează cu randamentele, pe care le vei calcula tu.

Ca și până acum, pachetul astsa este preîncărcat. Datele sunt preîncărcate ca oil și reprezentate grafic.

Acest exercițiu face parte din cursul

Modele ARIMA în R

Instrucțiuni pentru exercițiu

Calculează randamentele aproximative ale prețului petrolului brut folosind diff() și log(). Salvează randamentele în oil_returns.
Reprezintă grafic oil_returns și observă că există câteva valori extreme înainte de 2004. Convinge-te că randamentele sunt stacionare.
Reprezintă grafic ACF și PACF eșantion ale oil_returns folosind acf2() din pachetul astsa.
Din perechea P/ACF, se observă că valorile de corelație sunt mici, iar randamentele sunt aproape zgomot pur. Totuși, este posibil ca atât ACF, cât și PACF să descrească gradual. Dacă acesta este cazul, este sugerat un model ARMA(1,1). Ajustează acest model la randamentele petrolului folosind sarima(). Modelul se potrivește bine? Poți identifica valorile extreme în graficul reziduurilor?

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Calculate approximate oil returns
oil_returns <-

# Plot oil_returns. Notice the outliers.


# Plot the P/ACF pair for oil_returns


# Assuming both P/ACF are tailing, fit a model to oil_returns

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

Exercițiul curent

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 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!