Beyaz gürültü modeli mi yoksa rassal yürüyüş modeli mi durağan?

Beyaz gürültü (WN) ve rassal yürüyüş (RW) modelleri birbirine oldukça yakındır. Ancak sürükleme (drift) terimi olsun ya da olmasın, RW her zaman durağan değildir. Bu, aralarındaki farkları vurgulamak için bir benzetim egzersizidir.

Şunu hatırla: Ortalama sıfır bir WN süreciyle başlayıp bunun koşan/toplamalı toplamını hesaplarsak sonuç bir RW süreci olur. Bu dönüşümü senin için cumsum() fonksiyonu yapar. Benzer şekilde, bir WN süreci oluşturup ortalamasını sıfırdan farklı yapar ve sonra kümülatif toplamını hesaplarsak, sonuç sürüklemeli bir RW süreci olur.

Bu egzersiz, kursun bir parçasıdır

R ile Zaman Serisi Analizi

Kursa Göz Atın

Egzersiz talimatları

arima.sim() kullanarak bir WN modeli üret. WN tipi bir model oluşturmak için model argümanını list(order = c(0, 0, 0)) olarak ayarla ve 100 gözlem üretmek için n değerini 100 yap. Bunu white_noise olarak kaydet.
WN modelini hızlıca RW verisine dönüştürmek için white_noise üzerinde cumsum() fonksiyonunu kullan. Bunu random_walk olarak kaydet.
Benzer bir çağrıyla ikinci bir WN modeli üretmek için arima.sim() kullan. Tüm argümanları aynı tut, ancak bu kez mean argümanını 0.4 olarak ayarla. Bunu wn_drift olarak kaydet.
wn_drift verini RW’ye dönüştürmek için bir kez daha cumsum() çağrısı yap. Bunu rw_drift olarak kaydet.
Karşılaştırma için dört serinin tümünü çizdirmek üzere önceden yazılmış kodu gir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Use arima.sim() to generate WN data
white_noise <- 

# Use cumsum() to convert your WN data to RW
random_walk <- 
  
# Use arima.sim() to generate WN drift data
wn_drift <- 
  
# Use cumsum() to convert your WN drift data to RW
rw_drift <- 

# Plot all four data objects
plot.ts(cbind(white_noise, random_walk, wn_drift, rw_drift))

Kodu Düzenle ve Çalıştır