Diagnostik – simulerad överfittning

Ett sätt att kontrollera en analys är att överfitta modellen genom att lägga till en extra parameter och se om det påverkar resultaten. Om tillägget av parametrar förändrar resultaten drastiskt bör du se över din modell. Om resultaten däremot inte förändras nämnvärt kan du vara trygg med att din anpassning är korrekt.

Vi genererade 250 observationer från en ARIMA(0,1,1)-modell med MA-parametern 0,9. Först anpassar du modellen till data med etablerade tekniker.

Därefter kan du kontrollera modellen genom överfittning – det vill säga att lägga till en parameter – för att se om det gör någon skillnad. I det här fallet lägger du till ytterligare en MA-parameter för att visa att den inte behövs.

Som vanligt är paketet astsa förladdat och den genererade datan i x har redan plottats åt dig. Den differentierade datan diff(x) är också plottad. Notera att den ser stationär ut.

Den här övningen är en del av kursen

ARIMA-modeller i R

Övningsinstruktioner

Plotta stickprovets ACF och PACF för den differentierade datan med acf2() och notera att modellen enkelt kan identifieras.
Anpassa en ARIMA(0,1,1)-modell till den simulerade datan med sarima(). Jämför MA-parameterskattningen med det faktiska värdet 0,9 och granska residualplotterna.
Överfitta modellen genom att lägga till ytterligare en MA-parameter. Anpassa alltså en ARIMA(0,1,2) till datan och jämför den med ARIMA(0,1,1)-körningen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Plot sample P/ACF pair of the differenced data


# Fit the first model, compare parameters, check diagnostics


# Fit the second model and compare fit

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 Exercise 5: ARIMA-diagnostik Exercise 6: Diagnostik – simulerad överfittning

Aktuell övning

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!