1. Learn
    2. /
  2. Courses
    3. /
  3. Mô hình ARIMA trong R
Connected

Exercise

Lựa chọn mô hình - I

Dựa trên cặp P/ACF mẫu của dữ liệu varve đã log và sai phân (dl_varve), mô hình MA(1) được gợi ý. Cách tiếp cận tốt nhất khi khớp ARMA là bắt đầu với mô hình bậc thấp, rồi thêm từng tham số để xem kết quả có thay đổi không.

Trong bài này, bạn sẽ khớp nhiều mô hình cho dữ liệu dl_varve và ghi lại AIC và BIC cho từng mô hình. Ở bài tiếp theo, bạn sẽ dùng các giá trị AIC và BIC này để chọn mô hình. Hãy nhớ rằng bạn muốn giữ mô hình có giá trị AIC và/hoặc BIC nhỏ nhất.

Một lưu ý trước khi bắt đầu:

sarima(x, p = 0, d = 0, q = 1) và sarima(x, 0, 0, 1)

là như nhau.

Instructions

100 XP
  • Gói astsa đã được nạp sẵn. Chuỗi varve đã được log và sai phân thành dl_varve <- diff(log(varve)).
  • Dùng sarima() để khớp MA(1) cho dl_varve. Xem kỹ đầu ra của lệnh sarima() để thấy AIC và BIC của mô hình này.
  • Lặp lại bước trước nhưng thêm một tham số MA bằng cách khớp mô hình MA(2). Dựa trên AIC và BIC, điều này có cải thiện so với mô hình trước không?
  • Thay vì thêm tham số MA, hãy thêm tham số AR vào kết quả MA(1) ban đầu. Tức là, khớp ARMA(1,1) cho dl_varve. Dựa trên AIC và BIC, điều này có cải thiện so với các mô hình trước không?