You will  investigate the nature of time series data and learn the basics of ARMA models that can explain the behavior of such data.  You will learn the basic R commands needed to help set up raw time series data to a form that can be analyzed using ARMA models.

First things first

Data play

Elements of time series

Stationarity and nonstationarity

Differencing

Detrending data

Dealing with trend and heteroscedasticity

Stationary time series: ARMA

Simulating ARMA models

Time Series Data and Models

You will discover the wonderful world of ARMA models and how to fit these models to time series data. You will learn how to identify a model, how to choose the correct model, and how to verify a model once you fit it to data.  You will learn how to use R time series commands from the stats and astsa packages.

AR and MA models

Fitting an AR(1) model

Fitting an AR(2) model

Fitting an MA(1) model

AR and MA together

Fitting an ARMA model

Identify an ARMA model

Model choice and residual analysis

Model choice - I

Model choice - II

Residual analysis - I

Residual analysis - II

ARMA get in

Fitting ARMA models

Now that you know how to fit ARMA models to stationary time series, you will learn about integrated ARMA (ARIMA) models for nonstationary time series.  You will fit the models to real data using R time series commands from the stats and astsa packages.

ARIMA - tümleşik ARMA

ARIMA - tak-çalıştır

Simüle ARIMA

Küresel ısınma

ARIMA tanılama

Tanılamalar - simüle aşırı uyum

Tanılama - küresel sıcaklıklar

ARIMA ile Tahmin

Simüle ARIMA ile tahmin

Küresel sıcaklıkların tahmin edilmesi

ARIMA Models

You will learn how to fit and forecast seasonal time series data using seasonal ARIMA models. This is accomplished using what you learned in the previous chapters and by learning how to extend the R time series commands available in the stats and astsa packages.

Pure seasonal models

P/ACF of pure seasonal models

Fit a pure seasonal model

Mixed seasonal models

Fit a mixed seasonal model

Data analysis - unemployment I

Data analysis - unemployment II

Data analysis - commodity prices

Data analysis - birth rate

Forecasting seasonal ARIMA

Forecasting monthly unemployment

How hard is it to forecast commodity prices?

Congratulations!

Seasonal ARIMA

Bu derste, R kullanarak zaman serisi verilerine ARIMA modelleri kurma konusunda uzmanlaşacaksın. Önce, R stats paketindeki araçlarla zaman serisi verilerinin doğasını keşfedeceksin. Sonra, doğru modeli bildiğin simüle veriler üzerinde çeşitli ARMA modellerini R astsa paketiyle nasıl kuracağını öğreneceksin. Temelleri pekiştirdikten sonra, çeşitli gerçek veri kümelerine tümleşik ARMA (ARIMA) modellerini nasıl uygulayacağını göreceksin. Bir ARIMA modelinin geçerliliğini nasıl denetleyeceğini ve zaman serisi verileri için nasıl tahmin yapacağını öğreneceksin. Son olarak, astsa paketini kullanarak mevsimsel veriler için ARIMA modelleri kurmayı ve tahmin yapmayı öğreneceksin.

Time Series Analysis in R

Bu kursta, R kullanarak ARIMA modellerini zaman serisi verilerine uygulamada uzmanlaşacaksınız.

R ile ARIMA Modelleri

R kullanarak zaman serisi verilerine ARIMA (otomatik regresif entegre hareketli ortalama) modellerini uydurma konusunda uzman olun.

Kantitatif Analist  in R

Zaman Serisi  in R

Tanılama - küresel sıcaklıklar

R ile ARIMA Modelleri

Egzersiz talimatları

Uygulamalı interaktif egzersiz