Simulera modellen för vitt brus
Modellen för vitt brus (WN) är en grundläggande tidsseriemodell och utgör även basen för de mer avancerade modeller vi kommer att arbeta med. Här fokuserar vi på den enklaste formen av WN: oberoende och identiskt fördelade data.
Funktionen arima.sim() kan användas för att simulera data från en mängd olika tidsseriemodeller. ARIMA är en förkortning för den autoregressiva integrerade glidande medelvärdesklassen av modeller som vi kommer att använda genomgående i den här kursen.
En ARIMA(p, d, q)-modell har tre delar: den autoregressiva ordningen p, integrationsordningen (eller differensordningen) d samt ordningen för det glidande medelvärdet q. Vi går igenom var och en av dessa delar inom kort, men noterar redan nu att ARIMA(0, 0, 0)-modellen – där alla komponenter är noll – helt enkelt är WN-modellen.
I den här övningen får du öva på att simulera en grundläggande WN-modell.
Den här övningen är en del av kursen
Tidsserieanalys i R
Övningsinstruktioner
- Använd
arima.sim()för att simulera från WN-modellen medlist(order = c(0, 0, 0)). Sätt argumentetntill100för att generera 100 observationer. Spara datan somwhite_noise. - Plotta ditt
white_noise-objekt medts.plot(). - Upprepa ditt ursprungliga anrop till
arima.sim(), men sätt den här gången argumentetmeantill100och argumentetsdtill10. Spara datan somwhite_noise_2. - Plotta ditt
white_noise_2-objekt med ett nytt anrop tillts.plot().
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Simulate a WN model with list(order = c(0, 0, 0))
white_noise <- arima.sim(model = ___, n = ___)
# Plot your white_noise data
# Simulate from the WN model with: mean = 100, sd = 10
white_noise_2 <- arima.sim(model = ___, n = ___, mean = ___, sd = ___)
# Plot your white_noise_2 data