Simulera ARMA-modeller

Som vi såg i videon kan vilken stationär tidsserie som helst skrivas som en linjärkombination av vitt brus. Alla ARMA-modeller har dessutom denna form, vilket gör dem till ett bra val för att modellera stationära tidsserier.

R erbjuder en enkel funktion kallad arima.sim() för att generera data från en ARMA-modell. Syntaxen för att generera 100 observationer från en MA(1) med parametern .9 är till exempel arima.sim(model = list(order = c(0, 0, 1), ma = .9 ), n = 100). Du kan också använda order = c(0, 0, 0) för att generera vitt brus.

I den här övningen genererar du data från olika ARMA-modeller. Generera 200 observationer för varje kommando och plotta resultatet.

Den här övningen är en del av kursen

ARIMA-modeller i R

Övningsinstruktioner

Använd arima.sim() och plot() för att generera och plotta vitt brus.
Använd arima.sim() och plot() för att generera och plotta en MA(1) med parametern .9.
Använd arima.sim() och plot() för att generera och plotta en AR(2) med parametrarna 1.5 och -.75.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Generate and plot white noise
WN <- 


# Generate and plot an MA(1) with parameter .9 
MA <- 


# Generate and plot an AR(2) with parameters 1.5 and -.75
AR <-

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

Aktuell övning

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 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!