Nóng lên toàn cầu
Giờ bạn đã có chút kinh nghiệm khớp mô hình ARIMA cho dữ liệu mô phỏng, nhiệm vụ tiếp theo là áp dụng kỹ năng đó vào dữ liệu thực tế.
Dữ liệu trong globtemp (từ astsa) là độ lệch nhiệt độ trung bình toàn cầu theo năm đến năm 2015. Trong bài này, bạn sẽ dùng các kỹ thuật quen thuộc để khớp một mô hình ARIMA cho bộ dữ liệu. Đồ thị dữ liệu cho thấy hành vi dạng random walk, gợi ý rằng bạn nên làm việc với dữ liệu đã lấy sai phân. Dữ liệu sai phân diff(globtemp) cũng đã được vẽ.
Sau khi vẽ ACF và PACF mẫu của dữ liệu sai phân diff(globtemp), bạn có thể kết luận rằng hoặc là
- Cả ACF và PACF đều giảm dần (tailing off), hàm ý mô hình ARIMA(1,1,1).
- ACF cắt cụt tại độ trễ 2, còn PACF giảm dần, hàm ý mô hình ARIMA(0,1,2).
- ACF giảm dần và PACF cắt cụt tại độ trễ 3, hàm ý mô hình ARIMA(3,1,0). Dù mô hình này khớp khá ổn, nó là tệ nhất trong ba mô hình (bạn có thể kiểm tra) vì dùng quá nhiều tham số đối với các tự tương quan nhỏ như vậy.
Sau khi khớp hai mô hình đầu tiên, hãy kiểm tra AIC và BIC để chọn mô hình ưu tiên.
Bài tập này là một phần của khóa học
Mô hình ARIMA trong R
Hướng dẫn bài tập
- Vẽ ACF và PACF mẫu của dữ liệu sai phân
diff(globtemp)để thấy rằng có 2 mô hình có vẻ hợp lý: ARIMA(1,1,1) và ARIMA(0,1,2). - Dùng
sarima()để khớp mô hình ARIMA(1,1,1) choglobtemp. Các tham số có ý nghĩa thống kê không? - Gọi
sarima()lần nữa để khớp mô hình ARIMA(0,1,2) choglobtemp. Các tham số có ý nghĩa thống kê không? Mô hình nào tốt hơn?
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Plot the sample P/ACF pair of the differenced data
# Fit an ARIMA(1,1,1) model to globtemp
# Fit an ARIMA(0,1,2) model to globtemp. Which model is better?