Prognostisering med simulerad ARIMA

Nu när du behärskar anpassning av ARIMA-modeller kan du använda dina kunskaper för prognostisering. Börja med att arbeta med simulerade data.

Vi genererade 120 observationer från en ARIMA(1,1,0)-modell med AR-parametern 0,9. Data finns i y och de första 100 observationerna finns i x. Dessa observationer är redan plottade åt dig. Du ska anpassa en ARIMA(1,1,0)-modell till data i x och verifiera att modellen passar bra. Använd sedan sarima.for() från astsa för att prognostisera data 20 tidsperioder framåt. Därefter jämför du prognoserna med de faktiska data i y.

Grundsyntaxen för prognostisering är sarima.for(data, n.ahead, p, d, q), där n.ahead är ett positivt heltal som anger prognoshorisontens längd. De predikterade värdena och deras standardfel skrivs ut, data plottas i svart och prognoserna visas i rött tillsammans med 2 medelkvadratiska prediktionsfelsgränser som blå streckade linjer.

Paketet astsa är förladdat och data (x) samt differentierade data (diff(x)) är plottade.

Den här övningen är en del av kursen

ARIMA-modeller i R

Övningsinstruktioner

Plotta stickprovets ACF och PACF för de differentierade data för att bestämma en lämplig modell.
Använd sarima() för att anpassa en ARIMA(1,1,0) till data. Granska utdata från ditt sarima()-anrop för att utvärdera anpassningen och modelldiagnostiken.
Använd sarima.for() för att prognostisera data 20 tidsperioder framåt. Jämför resultatet med de faktiska värdena.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Plot P/ACF pair of differenced data 


# Fit model - check t-table and diagnostics


# Forecast the data 20 time periods ahead
sarima.for(x, n.ahead = ___, p = ___, d = ___, q = ___) 
lines(y)

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 Exercise 7: Diagnostik – globala temperaturer Exercise 8: Prognostisering med ARIMA Exercise 9: Prognostisering med simulerad ARIMA

Aktuell övning

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!