Veriyi trendden arındırma

Önceki egzersizde gördüğün gibi, fark alma genellikle zaman serisi verisinden trendi kaldırmak için etkilidir. Fark alma, bir zaman serisinin belirli bir andaki değeri ile bir önceki değeri arasındaki farka bakar.

Bu egzersizde, gerçek zaman serisi verisini trendden arındırmak ve görselleştirmek için diff() fonksiyonunu kullanacaksın.

Bu egzersiz, kursun bir parçasıdır

R ile ARIMA Modelleri

Kursa Göz Atın

Egzersiz talimatları

astsa paketi önceden yüklüdür.
Küresel sıcaklık verisini (globtemp) trendden arındırılmış seriyle karşılaştıran çoklu bir grafik oluştur. Çoklu grafik oluşturmak için, önceden yazılmış par() komutunu çalıştırıp ardından iki ayrı plot() çağrısı yapabilirsin.
Los Angeles County’deki haftalık kardiyovasküler mortaliteyi (cmort) trendden arındırılmış seriyle karşılaştıran başka bir çoklu grafik oluştur.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Plot globtemp and detrended globtemp
par(mfrow = c(2,1))
plot(globtemp) 


# Plot cmort and detrended cmort
par(mfrow = c(2,1))
plot(cmort)

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

Geçerli egzersiz

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 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!