Змодельована ARIMA

Перш ніж аналізувати реальні часові ряди, варто попрактикуватися з трохи складнішою моделлю.

Тут ми згенерували 250 спостережень з моделі ARIMA(2,1,0) із дрейфом, заданої як $$Y_t = 1 + 1.5 Y_{t-1} - .75 Y_{t-2} + W_t\,$$, де \(Y_t = \nabla X_t = X_{t} - X_{t-1}\).

Ви застосуєте відомі прийоми, щоб підібрати модель до даних.

Пакет astsa попередньо завантажено, а згенеровані дані містяться в x. Ряд x і детрендований ряд y <- diff(x) уже побудовано на графіках.

Ця вправа є частиною курсу

Моделі ARIMA в R

Переглянути курс

Інструкції до вправи

Побудуйте вибіркові ACF і PACF за допомогою acf2() для продиференційованих даних diff(x), щоб визначити модель.
Підійміть модель ARIMA(2,1,0) за допомогою sarima() на згенерованих даних. Перегляньте t-таблицю та інші результати виводу, щоб оцінити якість моделі.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Plot sample P/ACF of differenced data and determine model



# Estimate parameters and examine output

Редагувати та запускати код

Ця вправа є частиною курсу

Моделі ARIMA в R

SkillTag.level.beginnerSkillTag.label

4.9+

Почніть курс безкоштовно

Ви дослідите природу даних часових рядів і вивчите основи моделей ARMA, які пояснюють поведінку таких даних. Ви опanuєте базові команди R, потрібні, щоб підготувати сирі дані часових рядів до формату, придатного для аналізу за допомогою моделей ARMA.

Exercise 1: Почнемо з основ Exercise 2: Пограємо з даними Exercise 3: Елементи часових рядів Exercise 4: Стаціонарність і нестаціонарність Exercise 5: Диференціювання Exercise 6: Детрендування даних Exercise 7: Робота з трендом і гетероскедастичністю Exercise 8: Стаціонарні часові ряди: ARMA Exercise 9: Імітація моделей ARMA

Ви відкриєте для себе захопливий світ моделей ARMA і те, як підбирати ці моделі до даних часових рядів. Ви навчитеся визначати модель, обирати коректну модель і перевіряти її після підбору до даних. Ви також навчитеся користуватися командами для часових рядів у R з пакетів stats і astsa.

Exercise 1: Моделі AR і MA Exercise 2: Підгонка моделі AR(1)Exercise 3: Підбір моделі AR(2)Exercise 4: Підігнання моделі MA(1)Exercise 5: AR і MA разом Exercise 6: Підбір моделі ARMA Exercise 7: Визначення моделі ARMA Exercise 8: Вибір моделі та аналіз залишків Exercise 9: Вибір моделі — I Exercise 10: Вибір моделі — II Exercise 11: Аналіз залишків — I Exercise 12: Аналіз залишків — II Exercise 13: ARMA — приступаємо

Тепер, коли ви вмієте підбирати моделі ARMA до стаціонарних часових рядів, ви дізнаєтеся про інтегровані моделі ARMA (ARIMA) для нестаціонарних рядів. Ви підбиратимете моделі до реальних даних, використовуючи команди для часових рядів у R з пакетів stats і astsa.

Exercise 1: ARIMA — інтегрована ARMA Exercise 2: ARIMA — швидкий старт Exercise 3: Змодельована ARIMA

Поточна вправа

Exercise 4: Глобальне потепління Exercise 5: Діагностика ARIMA Exercise 6: Діагностика — імітоване перенавчання Exercise 7: Діагностика — глобальні температури Exercise 8: Прогнозування ARIMA Exercise 9: Прогнозування для змодельованої ARIMA Exercise 10: Прогнозування глобальних температур

Ви навчитеся підбирати та прогнозувати сезонні часові ряди за допомогою сезонних моделей ARIMA. Це робитиметься на основі вивченого в попередніх розділах і через розширення команд R для часових рядів, доступних у пакетах stats і astsa.

Exercise 1: Чисто сезонні моделі Exercise 2: P/ACF чисто сезонних моделей Exercise 3: Підігнайте чисто сезонну модель Exercise 4: Змішані сезонні моделі Exercise 5: Підігнайте змішану сезонну модель Exercise 6: Аналіз даних — безробіття I Exercise 7: Аналіз даних — безробіття II Exercise 8: Аналіз даних — ціни на сировину Exercise 9: Аналіз даних — народжуваність Exercise 10: Прогнозування сезонної ARIMA Exercise 11: Прогнозування щомісячного безробіття Exercise 12: Наскільки складно прогнозувати ціни на сировинні товари?Exercise 13: Вітаємо!