Skatta den enkla glidande medelvärdesmodellen

Nu när du har simulerat några MA-modeller och beräknat ACF från dessa modeller är nästa steg att anpassa den enkla glidande medelvärdesmodellen (MA) till data med hjälp av kommandot arima(). För en given tidsserie x kan du anpassa MA-modellen med arima(..., order = c(0, 0, 1)). Notera att en MA-modell är en ARIMA(0, 0, 1)-modell.

I den här övningen får du öva på att använda en förinstallerad tidsserie (x, som visas i diagrammet till höger) samt datasetet Nile som användes i tidigare kapitel.

Den här övningen är en del av kursen

Tidsserieanalys i R

Visa kurs

Övningsinstruktioner

Använd arima() för att anpassa MA-modellen till serien x.
Vilka är skattningarna för lutning (ma1), medelvärde (intercept) och innovationsvarians (sigma^2) i ditt arima()-resultat? Klistra in dessa i din workspace.
Använd ett liknande anrop till arima() för att anpassa MA-modellen till Nile-data. Spara resultaten som MA och använd print() för att visa utdata.
Använd slutligen de färdigskrivna kommandona för att plotta Nile-data och dina anpassade MA-värden.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Fit the MA model to x
arima(___, order = ___)

# Paste the slope (ma1) estimate below


# Paste the slope mean (intercept) estimate below


# Paste the innovation variance (sigma^2) estimate below


# Fit the MA model to Nile
MA <- arima(___, order = ___)
print(MA)

# Plot Nile and MA_fit 
ts.plot(Nile)
MA_fit <- Nile - resid(MA)
points(MA_fit, type = "l", col = 2, lty = 2)

Redigera och kör kod