Kom igångKom igång gratis

Automatiska ARIMA-modeller för säsongsbetonade tidsserier

Som du lärde dig i videon fungerar auto.arima() även med säsongsdata. Observera att lambda = 0 i auto.arima() – det vill säga en logaritmisk transformation – innebär att modellen anpassas till de transformerade data och att prognoserna sedan omvandlas tillbaka till den ursprungliga skalan.

När du kör summary() på en sådan anpassad modell kan du se något i stil med utdata nedan, vilket motsvarar \((p,d,q)(P,D,Q)[m]\):

ARIMA(0,1,4)(0,1,1)[12]

I den här övningen använder du dessa funktioner för att modellera och prognostisera de förinstallerade h02-data, som innehåller månatlig försäljning av kortikosteroider i Australien.

Den här övningen är en del av kursen

Prognoser i R

Visa kurs

Övningsinstruktioner

  • Använd standardplotfunktionen för att plotta de log-transformerade h02-data och kontrollera att variansen är stabil.
  • Anpassa en säsongsbaserad ARIMA-modell till serien h02 med lambda = 0. Spara resultatet i fit.
  • Sammanfatta den anpassade modellen med lämplig metod.
  • Vilka differentieringsnivåer används i modellen? Tilldela graden av lag-1-differentiering till d och säsongsdifferentieringen till D.
  • Plotta prognoser för de kommande 2 åren med hjälp av den anpassade modellen. Ange h på lämpligt sätt.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Check that the logged h02 data have stable variance
h02 %>% ___ %>% ___

# Fit a seasonal ARIMA model to h02 with lambda = 0
fit <- ___

# Summarize the fitted model
___

# Record the amount of lag-1 differencing and seasonal differencing used
d <- ___
D <- ___

# Plot 2-year forecasts
fit %>% ___ %>% ___
Redigera och kör kod