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.

Först och främst

Utforska data

Tidsseriernas egenskaper

Stationaritet och icke-stationaritet

Differentiering

Avtrenda data

Hantera trend och heteroskedasticitet

Stationära tidsserier: ARMA

Simulera ARMA-modeller

Tidsseriedata och 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.

AR- och MA-modeller

Anpassa en AR(1)-modell

Anpassa en AR(2)-modell

Anpassa en MA(1)-modell

AR och MA tillsammans

Anpassa en ARMA-modell

Identifiera en ARMA-modell

Modellval och residualanalys

Modellval – I

Modellval – II

Residualanalys – I

Residualanalys – II

ARMA i praktiken

Anpassa ARMA-modeller

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.

ARIMA – integrerad ARMA

ARIMA – plug and play

Simulerad ARIMA

Global uppvärmning

ARIMA-diagnostik

Diagnostik – simulerad överfittning

Diagnostik – globala temperaturer

Prognostisering med ARIMA

Prognostisering med simulerad ARIMA

Prognostisera globala temperaturer

ARIMA-modeller

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.

Rent säsongsbaserade modeller

P/ACF för rena säsongsmodeller

Anpassa en ren säsongsmodell

Blandade säsongsmässiga modeller

Anpassa en blandad säsongsmodell

Dataanalys – arbetslöshet I

Dataanalys – arbetslöshet II

Dataanalys – råvarupriser

Dataanalys – födelsetal

Prognoser med säsongsbaserad ARIMA

Prognostisera månadsvis arbetslöshet

Hur svårt är det att prognostisera råvarupriser?

Grattis!

Säsongs-ARIMA

I den här kursen blir du expert på att anpassa ARIMA-modeller till tidsseriedata med R. Först utforskar du tidsseriedatans egenskaper med hjälp av verktygen i R:s stats-paket. Sedan lär du dig att anpassa olika ARMA-modeller till simulerade data – där du känner till rätt modell – med hjälp av R-paketet astsa. När du behärskar grunderna lär du dig att anpassa integrerade ARMA-modeller, det vill säga ARIMA-modeller, till olika verkliga datamängder. Du lär dig att kontrollera en ARIMA-modells giltighet och att göra prognoser för tidsseriedata. Avslutningsvis lär du dig att anpassa ARIMA-modeller till säsongsdata, inklusive prognoser med astsa-paketet.

Time Series Analysis in R

I den här kursen blir du expert på att anpassa ARIMA-modeller till tidsseriedata med R och astsa.

ARIMA-modeller i R

Bli expert på att anpassa ARIMA-modeller (autoregressiva integrerade glidande medelvärden) till tidsseriedata med R.

Kvantitativ analytiker  i R

Tidsserier  i R

Prognostisera månadsvis arbetslöshet

ARIMA-modeller i R

Övningsinstruktioner

Interaktiv övning med praktiskt arbete