Global uppvärmning

Nu när du har erfarenhet av att anpassa en ARIMA-modell till simulerade data är nästa steg att tillämpa dina kunskaper på verkliga data.

Data i globtemp (från astsa) visar årliga globala temperaturavvikelser fram till 2015. I den här övningen använder du etablerade metoder för att anpassa en ARIMA-modell till data. En graf över data visar beteende som liknar en slumpvandring, vilket tyder på att du bör arbeta med de differensierade data. De differensierade data diff(globtemp) är också plottade.

Efter att ha plottat urvalets ACF och PACF för de differensierade data diff(globtemp) kan du konstatera att antingen

ACF och PACF avtar båda gradvis, vilket tyder på en ARIMA(1,1,1)-modell.
ACF skärs av vid lag 2 och PACF avtar gradvis, vilket tyder på en ARIMA(0,1,2)-modell.
ACF avtar gradvis och PACF skärs av vid lag 3, vilket tyder på en ARIMA(3,1,0)-modell. Även om den här modellen passar relativt bra är den sämst av de tre (du kan kontrollera det) eftersom den använder för många parametrar för så små autokorrelationer.

När du har anpassat de första två modellerna jämför du AIC och BIC för att välja den bästa modellen.

Den här övningen är en del av kursen

ARIMA-modeller i R

Övningsinstruktioner

Plotta urvalets ACF och PACF för de differensierade data, diff(globtemp), för att se att två modeller verkar rimliga: en ARIMA(1,1,1) och en ARIMA(0,1,2).
Använd sarima() för att anpassa en ARIMA(1,1,1)-modell till globtemp. Är alla parametrar signifikanta?
Använd ett nytt anrop till sarima() för att anpassa en ARIMA(0,1,2)-modell till globtemp. Är alla parametrar signifikanta? Vilken modell är bättre?

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Plot the sample P/ACF pair of the differenced data 


# Fit an ARIMA(1,1,1) model to globtemp


# Fit an ARIMA(0,1,2) model to globtemp. Which model is better?

Redigera och kör kod

Den här övningen är en del av kursen

ARIMA-modeller i R

SkillTag.level.beginnerSkillTag.label

4.9+

Starta kursen gratis

Du undersöker tidsseriedatans egenskaper och lär dig grunderna i ARMA-modeller som kan förklara sådana datas beteende. Du lär dig de grundläggande R-kommandon som behövs för att förbereda råa tidsseriedata i ett format som kan analyseras med ARMA-modeller.

Exercise 1: Först och främst Exercise 2: Utforska data Exercise 3: Tidsseriernas egenskaper Exercise 4: Stationaritet och icke-stationaritet Exercise 5: Differentiering Exercise 6: Avtrenda data Exercise 7: Hantera trend och heteroskedasticitet Exercise 8: Stationära tidsserier: ARMA Exercise 9: Simulera ARMA-modeller

Du utforskar ARMA-modellernas värld och hur du anpassar dem till tidsseriedata. Du lär dig att identifiera en modell, välja rätt modell och verifiera en modell efter att du anpassat den till data. Du lär dig också att använda R:s tidsseriekommandon från paketen stats och astsa.

Exercise 1: AR- och MA-modeller Exercise 2: Anpassa en AR(1)-modell Exercise 3: Anpassa en AR(2)-modell Exercise 4: Anpassa en MA(1)-modell Exercise 5: AR och MA tillsammans Exercise 6: Anpassa en ARMA-modell Exercise 7: Identifiera en ARMA-modell Exercise 8: Modellval och residualanalys Exercise 9: Modellval – I Exercise 10: Modellval – II Exercise 11: Residualanalys – I Exercise 12: Residualanalys – II Exercise 13: ARMA i praktiken

Nu när du vet hur man anpassar ARMA-modeller till stationära tidsserier lär du dig om integrerade ARMA-modeller (ARIMA) för icke-stationära tidsserier. Du anpassar modellerna till verkliga data med hjälp av R:s tidsseriekommandon från paketen stats och astsa.

Exercise 1: ARIMA – integrerad ARMA Exercise 2: ARIMA – plug and play Exercise 3: Simulerad ARIMA Exercise 4: Global uppvärmning

Aktuell övning

Exercise 5: ARIMA-diagnostik Exercise 6: Diagnostik – simulerad överfittning Exercise 7: Diagnostik – globala temperaturer Exercise 8: Prognostisering med ARIMA Exercise 9: Prognostisering med simulerad ARIMA Exercise 10: Prognostisera globala temperaturer

Du lär dig att anpassa och prognostisera säsongsbaserade tidsseriedata med säsongs-ARIMA-modeller. Det görs med hjälp av vad du lärt dig i tidigare kapitel och genom att utöka kunskapen om R:s tidsseriekommandon i paketen stats och astsa.

Exercise 1: Rent säsongsbaserade modeller Exercise 2: P/ACF för rena säsongsmodeller Exercise 3: Anpassa en ren säsongsmodell Exercise 4: Blandade säsongsmässiga modeller Exercise 5: Anpassa en blandad säsongsmodell Exercise 6: Dataanalys – arbetslöshet I Exercise 7: Dataanalys – arbetslöshet II Exercise 8: Dataanalys – råvarupriser Exercise 9: Dataanalys – födelsetal Exercise 10: Prognoser med säsongsbaserad ARIMA Exercise 11: Prognostisera månadsvis arbetslöshet Exercise 12: Hur svårt är det att prognostisera råvarupriser?Exercise 13: Grattis!