Визначення моделі ARMA

Розгляньте: (1) графіки даних і (2) вибіркові ACF та PACF для логаритмованого та продиференційованого ряду варв:

dl_varve <- diff(log(varve))

Скористайтеся help(varve), щоб прочитати про дані, або знайдіть в інтернеті інформацію про varve, щоб дізнатися більше.

Виходячи з ACF і PACF, яка модель є найімовірнішою для dl_varve?

Ця вправа є частиною курсу

Моделі ARIMA в R

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

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

Поточна вправа

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 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!