НачатьНачать бесплатно

Автоматические модели ARIMA для сезонных временных рядов

Как вы узнали из видео, функция auto.arima() также работает с сезонными данными. Обратите внимание: если задать lambda = 0 в функции auto.arima(), то есть применить логарифмическое преобразование, модель будет подобрана на преобразованных данных, а прогнозы будут автоматически возвращены в исходный масштаб.

После применения summary() к такой подобранной модели вы можете увидеть вывод вида, соответствующего \((p,d,q)(P,D,Q)[m]\):

ARIMA(0,1,4)(0,1,1)[12]

В этом упражнении вы воспользуетесь этими функциями, чтобы построить модель и получить прогнозы для предварительно загруженных данных h02, которые содержат ежемесячные продажи кортикостероидных препаратов в Австралии.

Это упражнение является частью курса

Прогнозирование в R

Посмотреть курс

Инструкции к упражнению

  • С помощью стандартной функции построения графиков визуализируйте логарифмированные данные h02, чтобы убедиться в стабильности дисперсии.
  • Подберите сезонную модель ARIMA для ряда h02 с параметром lambda = 0. Сохраните результат в переменную fit.
  • Выведите сводку подобранной модели с помощью подходящего метода.
  • Определите порядки дифференцирования, использованные в модели. Присвойте значение обычного дифференцирования первого порядка переменной d, а сезонного дифференцирования — переменной D.
  • Постройте прогнозы на следующие 2 года на основе подобранной модели. Задайте значение h соответствующим образом.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Check that the logged h02 data have stable variance
h02 %>% ___ %>% ___

# Fit a seasonal ARIMA model to h02 with lambda = 0
fit <- ___

# Summarize the fitted model
___

# Record the amount of lag-1 differencing and seasonal differencing used
d <- ___
D <- ___

# Plot 2-year forecasts
fit %>% ___ %>% ___
Редактировать и запускать код