BaşlayınÜcretsiz başlayın

Mevsimsellik içermeyen zaman serileri için otomatik ARIMA modelleri

Videoda, auto.arima() fonksiyonunun, tıpkı ets() fonksiyonunun ETS modelleri için yaptığı gibi, verilen bir zaman serisi için uygun bir autoregressive integrated moving average (ARIMA) modelini seçeceğini öğrendin. summary() fonksiyonu ek bazı içgörüler sağlayabilir:

> # p = 2, d = 1, p = 2
> summary(fit)

Series: usnetelec
ARIMA(2,1,2) with drift
...

Bu egzersizde, 1980-2015 yılları arasında Avustralya'yı ziyaret eden uluslararası ziyaretçi sayısını içeren, önceden yüklenmiş austa serisi için otomatik olarak bir ARIMA modeli seçeceksin. Ardından artıkları kontrol edeceksin (p-değerinin 0.05'ten büyük olması verinin beyaz gürültüye benzediğini gösterir) ve bazı tahminler üreteceksin. Modelleme fonksiyonu dışında, bu işlem ETS tahminlemesinde yaptığınla aynıdır.

Bu egzersiz, kursun bir parçasıdır

R ile Tahminleme

Kursa Göz Atın

Egzersiz talimatları

  • Yeni tanıtılan fonksiyonu kullanarak austa serisine otomatik bir ARIMA modeli kur. Bunu fit olarak kaydet.
  • Ortaya çıkan modelin artıklarının beyaz gürültü gibi göründüğünü kontrol etmek için uygun fonksiyonu kullan. residualsok değişkenine, artıklar beyaz gürültüye benziyorsa TRUE, benzemiyorsa FALSE ata.
  • Modele summary() uygula ve elde edilen katsayıları gör.
  • summary() sonuçlarına göre, AICc değeri iki ondalık basamakla kaçtır? Kaç fark kullanılmıştır? Bunları sırasıyla AICc ve d değişkenlerine ata.
  • Son olarak, pipe operatörünü kullanarak seçilen modelden sonraki 10 dönem için tahminleri çiz.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Fit an automatic ARIMA model to the austa series
fit <- ___

# Check that the residuals look like white noise
___
residualsok <- ___

# Summarize the model
___

# Find the AICc value and the number of differences used
AICc <- ___
d <- ___

# Plot forecasts of fit
fit %>% forecast(h = ___) %>% ___()
Kodu Düzenle ve Çalıştır