НачатьНачать бесплатно

Автоматические модели ARIMA для несезонных временных рядов

В видеоуроке вы узнали, что функция auto.arima() автоматически подбирает подходящую модель авторегрессионного интегрированного скользящего среднего (ARIMA) для заданного временного ряда — так же, как функция ets() делает это для моделей ETS. Функция summary() позволяет получить дополнительные сведения о модели:

> # p = 2, d = 1, p = 2
> summary(fit)

Series: usnetelec
ARIMA(2,1,2) with drift
...

В этом упражнении вы автоматически выберете модель ARIMA для предзагруженного ряда austa, который содержит ежегодное число международных туристов в Австралии с 1980 по 2015 год. Затем вы проверите остатки модели (напомним, что p-значение больше 0,05 указывает на то, что данные похожи на белый шум) и построите прогнозы. За исключением функции моделирования, этот процесс идентичен тому, что вы делали при прогнозировании с помощью ETS.

Это упражнение является частью курса

Прогнозирование в R

Посмотреть курс

Инструкции к упражнению

  • Подберите автоматическую модель ARIMA для ряда austa с помощью новой функции. Сохраните результат в переменную fit.
  • Используйте подходящую функцию, чтобы проверить, похожи ли остатки полученной модели на белый шум. Присвойте переменной residualsok значение TRUE (если остатки похожи на белый шум) или FALSE (если нет).
  • Примените summary() к модели, чтобы просмотреть подобранные коэффициенты.
  • На основе результатов summary() определите значение AICc с точностью до двух десятичных знаков и количество использованных разностей. Присвойте эти значения переменным AICc и d соответственно.
  • Наконец, используя оператор конвейера, постройте прогнозы на следующие 10 периодов на основе выбранной модели.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Fit an automatic ARIMA model to the austa series
fit <- ___

# Check that the residuals look like white noise
___
residualsok <- ___

# Summarize the model
___

# Find the AICc value and the number of differences used
AICc <- ___
d <- ___

# Plot forecasts of fit
fit %>% forecast(h = ___) %>% ___()
Редактировать и запускать код