Simüle ARIMA

Gerçek zaman serisi verilerini analiz etmeden önce, biraz daha karmaşık bir modelle pratik yapman iyi olur.

Burada, sürüklenme (drift) içeren ARIMA(2,1,0) modelinden 250 gözlem ürettik: $$Y_t = 1 + 1.5 Y_{t-1} - .75 Y_{t-2} + W_t\,$$ burada \(Y_t = \nabla X_t = X_{t} - X_{t-1}\).

Veriye bir model uydurmak için öğrendiğin teknikleri kullanacaksın.

astsa paketi önceden yüklü ve üretilen veriler x içinde. x serisi ve eğilimden arındırılmış seri y <- diff(x) çizdirildi.

Bu egzersiz, kursun bir parçasıdır

R ile ARIMA Modelleri

Kursa Göz Atın

Egzersiz talimatları

Modeli belirlemek için farklanmış verinin diff(x) örnek ACF ve PACF grafiklerini acf2() ile çiz.
Üretilen verilere sarima() kullanarak bir ARIMA(2,1,0) modeli uydur. Model uyumunu değerlendirmek için t-tablosunu ve diğer çıktı bilgilerini incele.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Plot sample P/ACF of differenced data and determine model



# Estimate parameters and examine output

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

R ile ARIMA Modelleri

InicianteNível de habilidade

4.9+

Kursa Ücretsiz Başla

Zaman serisi verilerinin doğasını inceleyecek ve bu tür verilerin davranışını açıklayabilen ARMA modellerinin temellerini öğreneceksin. Ham zaman serisi verilerini ARMA modelleriyle analiz edilebilir bir forma getirmene yardımcı olacak temel R komutlarını öğreneceksin.

Exercise 1: Önce temel bilgiler Exercise 2: Veriyle oynama Exercise 3: Zaman serisinin öğeleri Exercise 4: Durağanlık ve durağan olmama Exercise 5: Fark Alma (Differencing)Exercise 6: Veriyi trendden arındırma Exercise 7: Eğilim ve değişen varyansla başa çıkma Exercise 8: Durağan zaman serileri: ARMA Exercise 9: ARMA modellerini simüle etme

ARMA modellerinin harika dünyasını ve bu modelleri zaman serisi verilerine nasıl uygulayacağını keşfedeceksin. Bir modeli nasıl tanımlayacağını, doğru modeli nasıl seçeceğini ve veriye uyguladıktan sonra modeli nasıl doğrulayacağını öğreneceksin. stats ve astsa paketlerindeki R zaman serisi komutlarını kullanmayı öğreneceksin.

Exercise 1: AR ve MA modelleri Exercise 2: AR(1) modelini uydurma Exercise 3: AR(2) modeli uydurma Exercise 4: MA(1) modeli uydurma Exercise 5: AR ve MA birlikte Exercise 6: Bir ARMA modelini uydurma Exercise 7: Bir ARMA modeli belirle Exercise 8: Model seçimi ve artık analizı Exercise 9: Model seçimi - I Exercise 10: Model seçimi - II Exercise 11: Artık analizleri - I Exercise 12: Artık analizleri - II Exercise 13: ARMA devreye giriyor

Artık durağan zaman serilerine ARMA modelleri kurmayı bildiğine göre, durağan olmayan zaman serileri için tümleşik ARMA (ARIMA) modellerini öğreneceksin. Modelleri, stats ve astsa paketlerindeki R zaman serisi komutlarını kullanarak gerçek verilere uygulayacaksın.

Exercise 1: ARIMA - tümleşik ARMA Exercise 2: ARIMA - tak-çalıştır Exercise 3: Simüle ARIMA

Geçerli egzersiz

Exercise 4: Küresel ısınma Exercise 5: ARIMA tanılama Exercise 6: Tanılamalar - simüle aşırı uyum Exercise 7: Tanılama - küresel sıcaklıklar Exercise 8: ARIMA ile Tahmin Exercise 9: Simüle ARIMA ile tahmin Exercise 10: Küresel sıcaklıkların tahmin edilmesi

Mevsimsel ARIMA modellerini kullanarak mevsimsel zaman serisi verilerine nasıl model kurup tahmin yapacağını öğreneceksin. Bu, önceki bölümlerde öğrendiklerini kullanarak ve stats ile astsa paketlerinde yer alan R zaman serisi komutlarını genişleterek başarılacaktır.

Exercise 1: Saf mevsimsel modeller Exercise 2: Saf mevsimsel modellerin P/ACF’si Exercise 3: Saf bir mevsimsel model uydur Exercise 4: Karma mevsimsel modeller Exercise 5: Karma bir mevsimsel model kur Exercise 6: Veri analizi - işsizlik I Exercise 7: Veri analizi - işsizlik II Exercise 8: Veri analizi - emtia fiyatları Exercise 9: Veri analizi - doğum oranı Exercise 10: Mevsimsel ARIMA ile tahmin Exercise 11: Aylık işsizlik için tahmin Exercise 12: Emtia fiyatlarını tahmin etmek ne kadar zor?Exercise 13: Tebrikler!