Phân tích dữ liệu - thất nghiệp II
Bây giờ, bạn sẽ tiếp tục khớp một mô hình SARIMA cho chuỗi thời gian thất nghiệp hàng tháng của Mỹ unemp bằng cách xem ACF và PACF mẫu của chuỗi đã sai phân đầy đủ.
Lưu ý rằng trục độ trễ trong biểu đồ P/ACF mẫu được tính theo năm. Vì vậy, các độ trễ 1, 2, 3, … lần lượt biểu diễn 1 năm (12 tháng), 2 năm (24 tháng), 3 năm (36 tháng), …
Gói astsa đã được nạp sẵn cho bạn.
Bài tập này là một phần của khóa học
Mô hình ARIMA trong R
Hướng dẫn bài tập
- Sai phân dữ liệu đầy đủ (như ở bài trước) và vẽ ACF và PACF mẫu của dữ liệu đã biến đổi đến độ trễ 60 tháng (5 năm). Xem xét rằng, đối với
- thành phần phi mùa vụ: PACF cắt cụt tại độ trễ 2 và ACF giảm dần.
- thành phần mùa vụ: ACF cắt cụt tại độ trễ 12 và PACF giảm dần tại các độ trễ 12, 24, 36, …
- Đề xuất và khớp một mô hình bằng
sarima(). Kiểm tra phần dư để đảm bảo mô hình phù hợp.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Plot P/ACF pair of fully differenced data to lag 60
dd_unemp <- diff(diff(unemp), lag = 12)
# Fit an appropriate model