Kom igångKom igång gratis

Box-Cox-transformationer för tidsserier

Här använder du en Box-Cox-transformation för att stabilisera variansen i den förinstallerade serien a10, som innehåller månatlig försäljning av antidiabetika i Australien från 1991 till 2008.

I den här övningen behöver du experimentera för att se hur argumentet lambda (\(\lambda\)) påverkar transformationen. Observera att små förändringar i \(\lambda\) gör liten skillnad för den resulterande serien. Målet är att hitta ett värde på \(\lambda\) som gör att de säsongsmässiga variationerna är ungefär lika stora genom hela serien.

Kom ihåg från videon att det rekommenderade intervallet för lambda-värden är \(-1 ≤ \lambda ≤ 1\).

Den här övningen är en del av kursen

Prognoser i R

Visa kurs

Övningsinstruktioner

  • Plotta serien a10 och observera hur variansen ökar i takt med att seriens nivå stiger.
  • Prova att transformera serien med BoxCox() enligt exempelkoden. Experimentera med fyra värden på lambda: 0.0, 0.1, 0.2 och 0.3. Vilket lambda-värde stabiliserar variansen bäst?
  • Jämför sedan ditt valda värde på lambda med det som returneras av BoxCox.lambda().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Plot the series
___

# Try four values of lambda in Box-Cox transformations
a10 %>% BoxCox(lambda = ___) %>% autoplot()
___
___
___

# Compare with BoxCox.lambda()
___
Redigera och kör kod