Anpassa en blandad säsongsmodell

Rent säsongsberoende, av den typ som utforskades tidigare i det här kapitlet, är relativt ovanligt. De flesta säsongsbaserade tidsserier har ett blandat beroende, vilket innebär att bara en del av variationen förklaras av säsongstrender.

Kom ihåg att den fullständiga säsongsmodellen betecknas SARIMA(p,d,q)x(P,D,Q)_S, där stora bokstäver anger säsongsordningarna.

Liksom tidigare ber den här övningen dig att jämföra stickprovet av P/ACF-paret med de sanna värdena för simulerade säsongsdata och anpassa en modell till data med hjälp av sarima(). Den här gången kommer de simulerade data från en blandad säsongsmodell, SARIMA(0,0,1)x(0,0,1)₁₂. Diagrammen visar tre års data samt modellens ACF och PACF. Observera att det, till skillnad från den rena säsongsmodellen, förekommer korrelationer vid icke-säsongslaggar såväl som vid säsongslaggarna.

Som vanligt är paketet astsa förinstallerat. De genererade data finns i x.

Den här övningen är en del av kursen

ARIMA-modeller i R

Övningsinstruktioner

Rita stickprovets ACF och PACF för de genererade data upp till lag 60 (max.lag = 60) och jämför dem med de faktiska värdena.
Anpassa modellen till de genererade data (x) med hjälp av sarima(). Precis som i föregående övning, se till att ange de extra säsongsargumenten i ditt sarima()-anrop.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Plot sample P/ACF pair to lag 60 and compare to actual


# Fit the seasonal model to x

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 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

Aktuell övning

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!