Skatta random walk-modellen

För en given tidsserie y kan vi anpassa random walk-modellen med drift genom att först differensiera datan och sedan anpassa white noise-modellen (WN) till den differensierade datan med kommandot arima() och argumentet order = c(0, 0, 0).

Kommandot arima() visar information om den anpassade modellen. Under rubriken Coefficients: visas den skattade driftvariabeln, som kallas intercept. Dess ungefärliga standardfel (s.e.) visas direkt under. Variansen för WN-delen av modellen skattas också och visas under etiketten sigma^2.

Den här övningen är en del av kursen

Tidsserieanalys i R

Visa kurs

Övningsinstruktioner

Tidsserien random_walk är redan inläst och visas i den intilliggande figuren. Använd diff() för att beräkna den första differensen av datan. Spara resultatet i rw_diff.
Använd ts.plot() för att plotta den differensierade datan.
Använd arima() för att anpassa WN-modellen till den differensierade datan. Sätt argumentet x till rw_diff och argumentet order till c(0, 0, 0). Lagra modellen i model_wn.
Spara intercept-värdet från model_wn i int_wn. Du kan hämta värdet med model_wn$coef.
Använd ts.plot() för att återskapa den ursprungliga plotten av random_walk.
Lägg till den skattade tidstrenden i plotten med funktionen abline(). Använd int_wn som det andra argumentet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Difference your random_walk data
rw_diff <- 

# Plot rw_diff


# Now fit the WN model to the differenced data
model_wn <-

# Store the value of the estimated time trend (intercept)
int_wn <- 

# Plot the original random_walk data


# Use abline(0, ...) to add time trend to the figure

Redigera och kör kod