Підігнайте змішану сезонну модель
Чиста сезонна залежність, як ту, що розглядали раніше в цьому розділі, трапляється відносно рідко. Більшість сезонних часових рядів мають змішану залежність, тобто лише частина варіації пояснюється сезонними трендами.
Нагадаємо, повна сезонна модель позначається як SARIMA(p,d,q)×(P,D,Q)S, де великі літери позначають сезонні порядки.
Як і раніше, у цій вправі ви порівняєте вибіркові пари P/ACF з істинними значеннями для змодельованих сезонних даних і підігоните модель до даних за допомогою sarima(). Цього разу змодельовані дані отримано зі змішаної сезонної моделі SARIMA(0,0,1)×(0,0,1)12. На графіках показано три роки даних, а також ACF і PACF моделі. Зверніть увагу: на відміну від чисто сезонної моделі, тут є кореляції на не сезонних лагах, а також на сезонних лагах.
Як завжди, пакет astsa попередньо завантажено. Згенеровані дані зберігаються в x.
Ця вправа є частиною курсу
Моделі ARIMA в R
Інструкції до вправи
- Побудуйте вибіркові ACF і PACF для згенерованих даних до лага 60 (
max.lag = 60) і порівняйте їх з фактичними значеннями. - Підіженіть модель до згенерованих даних (
x) за допомогоюsarima(). Як і в попередній вправі, обов'язково задайте додаткові сезонні аргументи у вашій командіsarima().
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Plot sample P/ACF pair to lag 60 and compare to actual
# Fit the seasonal model to x