1. Học hỏi
    2. /
  2. Khoa Học
    3. /
  3. Mô hình ARIMA trong R
Connected

Bài tập

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

  1. Cả ACF và PACF đều giảm dần (tailing off), hàm ý mô hình ARIMA(1,1,1).
  2. ACF cắt cụt tại độ trễ 2, còn PACF giảm dần, hàm ý mô hình ARIMA(0,1,2).
  3. 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.

Hướng dẫn

100 XP
  • 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) cho globtemp. Các tham số có ý nghĩa thống kê không?
  • Gọi sarima() lần nữa để khớp mô hình ARIMA(0,1,2) cho globtemp. Các tham số có ý nghĩa thống kê không? Mô hình nào tốt hơn?