Dự báo nhiệt độ toàn cầu

Giờ thì bạn có thể thử dự báo trên dữ liệu thực.

Ở đây, bạn sẽ dự báo độ lệch nhiệt độ trung bình toàn cầu theo năm globtemp đến năm 2050. Nhắc lại là ở các bài trước, bạn đã khớp mô hình ARIMA(0,1,2) cho tập dữ liệu này. Bạn sẽ khớp lại mô hình để xác nhận, rồi dự báo chuỗi thêm 35 năm trong tương lai.

Gói astsa đã được nạp sẵn và dữ liệu đã được vẽ đồ thị.

Bài tập này là một phần của khóa học

Mô hình ARIMA trong R

Xem khóa học

Hướng dẫn bài tập

Khớp mô hình ARIMA(0,1,2) cho dữ liệu bằng sarima(). Dựa trên phân tích trước đó, đây là mô hình tốt nhất cho dữ liệu globtemp. Kiểm tra lại ý nghĩa thống kê của các tham số trong bảng t và kiểm tra phần dư để xem có vi phạm giả định mô hình hay không.
Dùng sarima.for() để dự báo dữ liệu nhiệt độ toàn cầu 35 năm tới, đến 2050, dựa trên mô hình ARIMA(0,1,2) đã khớp.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Fit an ARIMA(0,1,2) to globtemp and check the fit


# Forecast data 35 years into the future

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Mô hình ARIMA trong R

SkillTag.level.beginnerSkillTag.label

4.9+

Bắt đầu khóa học miễn phí

Bạn sẽ khảo sát bản chất của dữ liệu chuỗi thời gian và học các kiến thức cơ bản về mô hình ARMA để giải thích hành vi của loại dữ liệu này. Bạn sẽ học các lệnh R cơ bản cần thiết để chuẩn bị dữ liệu chuỗi thời gian thô thành dạng có thể phân tích bằng mô hình ARMA.

Exercise 1: Bắt đầu từ những điều cơ bản Exercise 2: Khám phá dữ liệu Exercise 3: Các thành phần của chuỗi thời gian Exercise 4: Tính dừng và tính không dừng Exercise 5: Lấy sai phân Exercise 6: Loại bỏ xu thế khỏi dữ liệu (Detrending)Exercise 7: Xử lý xu hướng và phương sai thay đổi Exercise 8: Chuỗi thời gian dừng: ARMA Exercise 9: Mô phỏng các mô hình ARMA

Bạn sẽ khám phá thế giới thú vị của các mô hình ARMA và cách khớp những mô hình này cho dữ liệu chuỗi thời gian. Bạn sẽ học cách nhận diện mô hình, cách chọn mô hình phù hợp, và cách kiểm định mô hình sau khi đã khớp với dữ liệu. Bạn sẽ học cách sử dụng các lệnh chuỗi thời gian trong R từ các gói stats và astsa.

Exercise 1: Mô hình AR và MA Exercise 2: Khớp mô hình AR(1)Exercise 3: Khớp mô hình AR(2)Exercise 4: Khớp mô hình MA(1)Exercise 5: Kết hợp AR và MA Exercise 6: Khớp một mô hình ARMA Exercise 7: Nhận diện một mô hình ARMA Exercise 8: Lựa chọn mô hình và phân tích phần dư Exercise 9: Lựa chọn mô hình - I Exercise 10: Chọn mô hình - II Exercise 11: Phân tích phần dư - I Exercise 12: Phân tích phần dư - II Exercise 13: Bắt tay với ARMA

Giờ đây khi bạn đã biết cách khớp mô hình ARMA cho chuỗi thời gian dừng, bạn sẽ tìm hiểu về các mô hình ARMA tích phân (ARIMA) cho chuỗi thời gian không dừng. Bạn sẽ khớp các mô hình này với dữ liệu thực bằng các lệnh chuỗi thời gian trong R từ các gói stats và astsa.

Exercise 1: ARIMA - ARMA tích phân (integrated)Exercise 2: ARIMA - dùng ngay không cần chỉnh Exercise 3: ARIMA mô phỏng Exercise 4: Nóng lên toàn cầu Exercise 5: Chẩn đoán ARIMA Exercise 6: Chẩn đoán - mô phỏng quá khớp (overfitting)Exercise 7: Chẩn đoán - nhiệt độ toàn cầu Exercise 8: Dự báo với ARIMA Exercise 9: Dự báo ARIMA mô phỏng Exercise 10: Dự báo nhiệt độ toàn cầu

Bài tập hiện tại

Bạn sẽ học cách khớp và dự báo dữ liệu chuỗi thời gian theo mùa bằng các mô hình ARIMA theo mùa. Điều này thực hiện dựa trên những gì bạn đã học ở các chương trước và bằng cách mở rộng các lệnh chuỗi thời gian trong R có sẵn trong các gói stats và astsa.

Exercise 1: Mô hình mùa vụ thuần túy Exercise 2: P/ACF của các mô hình thuần mùa vụ Exercise 3: Ước lượng một mô hình thuần theo mùa Exercise 4: Mô hình mùa vụ hỗn hợp Exercise 5: Khớp một mô hình mùa vụ hỗn hợp Exercise 6: Phân tích dữ liệu - thất nghiệp I Exercise 7: Phân tích dữ liệu - thất nghiệp II Exercise 8: Phân tích dữ liệu - giá hàng hóa Exercise 9: Phân tích dữ liệu - tỷ lệ sinh Exercise 10: Dự báo ARIMA theo mùa Exercise 11: Dự báo thất nghiệp theo tháng Exercise 12: Dự báo giá hàng hóa khó đến mức nào?Exercise 13: Chúc mừng bạn!