Kom igångKom igång gratis

Modellval – I

Utifrån stickprovets P/ACF-par för de loggade och differentierade varv-data (dl_varve) indikerades en MA(1)-modell. Det bästa sättet att anpassa ARMA-modeller är att börja med en modell av låg ordning och sedan lägga till en parameter i taget för att se om resultaten förändras.

I den här övningen anpassar du olika modeller till dl_varve-data och noterar AIC och BIC för varje modell. I nästa övning använder du dessa AIC- och BIC-värden för att välja modell. Kom ihåg att du vill behålla modellen med det lägsta AIC- och/eller BIC-värdet.

En notering innan du börjar:

sarima(x, p = 0, d = 0, q = 1) och sarima(x, 0, 0, 1)

är identiska.

Den här övningen är en del av kursen

ARIMA-modeller i R

Visa kurs

Övningsinstruktioner

  • Paketet astsa är förinstallerat. Serien varve har loggats och differentierats som dl_varve <- diff(log(varve)).
  • Använd sarima() för att anpassa en MA(1)-modell till dl_varve. Titta noga på utdata från ditt sarima()-anrop för att se AIC och BIC för den här modellen.
  • Upprepa föregående steg, men lägg till en MA-parameter genom att anpassa en MA(2)-modell. Är det en förbättring jämfört med föregående modell, baserat på AIC och BIC?
  • I stället för att lägga till en MA-parameter, lägg till en AR-parameter till den ursprungliga MA(1)-anpassningen. Det vill säga, anpassa en ARMA(1,1) till dl_varve. Är det en förbättring jämfört med de tidigare modellerna, baserat på AIC och BIC?

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Fit an MA(1) to dl_varve.   


# Fit an MA(2) to dl_varve. Improvement?


# Fit an ARMA(1,1) to dl_varve. Improvement?
Redigera och kör kod