Прогнозування для змодельованої ARIMA
Тепер, коли ви вмієте добирати моделі ARIMA, застосуйте ці вміння для прогнозування. Спершу попрацюєте зі змодельованими даними.
Ми згенерували 120 спостережень з моделі ARIMA(1,1,0) з параметром AR 0,9. Дані збережено в y, а перші 100 спостережень — у x. Для вас уже побудовано відповідні графіки. Ви підберете модель ARIMA(1,1,0) до даних у x і перевірите, що вона добре пасує. Далі використайте sarima.for() з astsa, щоб спрогнозувати дані на 20 періодів уперед. Потім порівняйте прогнози з фактичними значеннями в y.
Базовий синтаксис для прогнозування: sarima.for(data, n.ahead, p, d, q), де n.ahead — додатне ціле число, що задає горизонт прогнозу. Надруковано прогнозні значення та їхні стандартні похибки; дані відображаються чорним кольором, прогнози — червоним, а також наведено дві межі середньоквадратичної помилки прогнозу у вигляді синіх пунктирних ліній.
Пакет astsa уже завантажено, а дані (x) і різницеві ряди (diff(x)) — побудовано на графіках.
Ця вправа є частиною курсу
Моделі ARIMA в R
Інструкції до вправи
- Побудуйте вибіркові ACF і PACF для різницевих даних, щоб визначити модель.
- Використайте
sarima(), щоб підібрати ARIMA(1,1,0) до даних. Перегляньте вивідsarima(), щоб оцінити якість підгонки та діагностику моделі. - Використайте
sarima.for(), щоб спрогнозувати дані на 20 періодів уперед. Порівняйте їх із фактичними значеннями.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Plot P/ACF pair of differenced data
# Fit model - check t-table and diagnostics
# Forecast the data 20 time periods ahead
sarima.for(x, n.ahead = ___, p = ___, d = ___, q = ___)
lines(y)