Оценка простой модели скользящего среднего

Вы уже поработали с симуляцией моделей MA и вычислением ACF. Следующий шаг — подогнать простую модель скользящего среднего (MA) к реальным данным с помощью команды arima(). Для заданного временного ряда x модель MA подгоняется вызовом arima(..., order = c(0, 0, 1)). Обратите внимание: модель MA является частным случаем ARIMA(0, 0, 1).

В этом упражнении вы будете работать с предзагруженным временным рядом (x, показанным на графике справа), а также с набором данных Nile, который уже встречался в предыдущих главах.

Это упражнение является частью курса

Анализ временных рядов в R

Посмотреть курс

Инструкции к упражнению

Используйте arima(), чтобы подогнать модель MA к ряду x.
Какими получились оценки наклона (ma1), среднего (intercept) и дисперсии инноваций (sigma^2) в выводе arima()? Введите эти значения в рабочую среду.
Аналогичным вызовом arima() подгоните модель MA к данным Nile. Сохраните результаты в переменную MA и выведите их на экран с помощью print().
Наконец, используйте готовые команды, чтобы построить график данных Nile и подогнанных значений модели MA.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Fit the MA model to x
arima(___, order = ___)

# Paste the slope (ma1) estimate below


# Paste the slope mean (intercept) estimate below


# Paste the innovation variance (sigma^2) estimate below


# Fit the MA model to Nile
MA <- arima(___, order = ___)
print(MA)

# Plot Nile and MA_fit 
ts.plot(Nile)
MA_fit <- Nile - resid(MA)
points(MA_fit, type = "l", col = 2, lty = 2)

Редактировать и запускать код