ARIMA mô phỏng

Trước khi phân tích dữ liệu chuỗi thời gian thực tế, bạn nên thử làm việc với một mô hình phức tạp hơn một chút.

Ở đây, chúng tôi đã tạo 250 quan sát từ mô hình ARIMA(2,1,0) có trôi (drift) được cho bởi $$Y_t = 1 + 1.5 Y_{t-1} - .75 Y_{t-2} + W_t\,$$ trong đó \(Y_t = \nabla X_t = X_{t} - X_{t-1}\).

Bạn sẽ dùng các kỹ thuật đã học để khớp một mô hình với dữ liệu.

Gói astsa đã được nạp sẵn và dữ liệu sinh ra nằm trong x. Chuỗi x và chuỗi đã khử xu hướng y <- diff(x) đã được vẽ.

Bài tập này là một phần của khóa học

Mô hình ARIMA trong R

Xem khóa học

Hướng dẫn bài tập

Vẽ ACF và PACF mẫu bằng acf2() của dữ liệu sai phân diff(x) để xác định mô hình.
Khớp mô hình ARIMA(2,1,0) bằng sarima() cho dữ liệu đã sinh. Kiểm tra bảng t và các thông tin đầu ra khác để đánh giá mức độ phù hợp của mô hình.

Bài tập tương tác thực hành trực tiếp

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

# Plot sample P/ACF of differenced data and determine model



# Estimate parameters and examine output

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

Bài tập hiện tại

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

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!