ARMA devreye giriyor

Artık ARMA modellerini verilere uydurma konusunda epey deneyim kazandın, ama kutlamalara başlamadan önce, bir egzersizi daha (kısmen) kendi başına dene.

oil içindeki veriler, ham petrol, WTI spot fiyatı FOB (varil başına dolar), 2000–2008 arası haftalık verilerden oluşuyor. Getirilere bir ARMA modeli uydurmak için becerilerini kullan. Haftalık ham petrol fiyatları (oil) senin için çizildi. Egzersiz boyunca, senin hesaplayacağın getirilerle çalışacaksın.

Daha önce olduğu gibi, astsa paketi önceden yüklendi. Veriler oil olarak yüklendi ve çizildi.

Bu egzersiz

R ile ARIMA Modelleri

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Yaklaşık ham petrol fiyat getirilerini diff() ve log() kullanarak hesapla. Getirileri oil_returns içine koy.
oil_returns grafiğini çiz ve 2004’ten önce birkaç aykırı değer olduğunu fark et. Getirilerin durağan olduğuna kendini ikna et.
astsa paketindeki acf2() ile oil_returns örnek ACF ve PACF grafiklerini çiz.
P/ACF çiftinden, korelasyonların küçük olduğu ve getirilerin neredeyse gürültü gibi göründüğü anlaşılıyor. Ancak hem ACF hem de PACF kuyruklanıyor olabilir. Böyle bir durumda ARMA(1,1) önerilir. Bu modeli sarima() kullanarak petrol getirilerine uydur. Model iyi uyuyor mu? Artık değer grafiğinde aykırı değerleri görebiliyor musun?

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Calculate approximate oil returns
oil_returns <-

# Plot oil_returns. Notice the outliers.


# Plot the P/ACF pair for oil_returns


# Assuming both P/ACF are tailing, fit a model to oil_returns

Kodu Düzenle ve Çalıştır

Bu egzersiz

R ile ARIMA Modelleri

kursunun bir parçasıdır

InicianteNível de habilidade

4.9+

Kursa Ücretsiz Başlayın

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.

Exercise 1: First things first Exercise 2: Data play Exercise 3: Elements of time series Exercise 4: Stationarity and nonstationarity Exercise 5: Differencing Exercise 6: Detrending data Exercise 7: Dealing with trend and heteroscedasticity Exercise 8: Stationary time series: ARMA Exercise 9: Simulating ARMA 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.

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

Geçerli Egzersiz

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.

Exercise 1: ARIMA - integrated ARMA Exercise 2: ARIMA - plug and play Exercise 3: Simulated ARIMA Exercise 4: Global warming Exercise 5: ARIMA diagnostics Exercise 6: Diagnostics - simulated overfitting Exercise 7: Diagnostics - global temperatures Exercise 8: Forecasting ARIMA Exercise 9: Forecasting simulated ARIMA Exercise 10: Forecasting global temperatures

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.

Exercise 1: Pure seasonal models Exercise 2: P/ACF of pure seasonal models Exercise 3: Fit a pure seasonal model Exercise 4: Mixed seasonal models Exercise 5: Fit a mixed seasonal model Exercise 6: Data analysis - unemployment I Exercise 7: Data analysis - unemployment II Exercise 8: Data analysis - commodity prices Exercise 9: Data analysis - birth rate Exercise 10: Forecasting seasonal ARIMA Exercise 11: Forecasting monthly unemployment Exercise 12: How hard is it to forecast commodity prices?Exercise 13: Congratulations!