Оцініть просту модель ковзного середнього

Тепер, коли ви змоделювали кілька моделей MA і обчислили ACF для цих моделей, наступний крок — підігнати просту модель ковзного середнього (MA) до деяких даних за допомогою команди arima(). Для заданого часового ряду x ми можемо підігнати просту модель ковзного середнього (MA) за допомогою arima(..., order = c(0, 0, 1)). Зауважте для довідки, що модель MA — це ARIMA(0, 0, 1).

У цій вправі ви попрактикуєтеся з попередньо завантаженим часовим рядом (x, показаний на графіку праворуч), а також із набором даних Nile, який використовувався в попередніх розділах.

Ця вправа є частиною курсу

Аналіз часових рядів в R

Переглянути курс

Інструкції до вправи

Використайте arima(), щоб підігнати модель MA до ряду x.
Які оцінки нахилу (ma1), середнього (intercept) та дисперсії інновацій (sigma^2) повертає ваш результат arima()? Вставте їх у свій робочий простір.
Зробіть подібний виклик arima(), щоб підігнати модель MA до даних Nile. Збережіть результати як MA і скористайтеся print(), щоб вивести їх на екран.
Нарешті, використайте заготовлені команди, щоб побудувати графік даних Nile і ваших підігнаних значень MA.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Fit the MA model to x
arima(___, order = ___)

# Paste the slope (ma1) estimate below


# Paste the slope mean (intercept) estimate below


# Paste the innovation variance (sigma^2) estimate below


# Fit the MA model to Nile
MA <- arima(___, order = ___)
print(MA)

# Plot Nile and MA_fit 
ts.plot(Nile)
MA_fit <- Nile - resid(MA)
points(MA_fit, type = "l", col = 2, lty = 2)

Редагувати та запускати код