Bắt đầu ngayBắt đầu miễn phí

Phân tích dữ liệu - tỷ lệ sinh

Bây giờ bạn sẽ vận dụng kỹ năng mới để hiệu chỉnh cẩn thận một mô hình SARIMA cho chuỗi thời gian birth từ astsa. Dữ liệu là số trẻ sinh sống theo tháng (điều chỉnh), đơn vị nghìn, tại Hoa Kỳ giai đoạn 1948–1979, và bao gồm giai đoạn bùng nổ trẻ sơ sinh sau Thế chiến II.

Dữ liệu birth đã được vẽ trong R console của bạn. Hãy chú ý xu hướng dài hạn (random walk) và thành phần mùa vụ của dữ liệu.

Bài tập này là một phần của khóa học

Mô hình ARIMA trong R

Xem khóa học

Hướng dẫn bài tập

  • Dùng diff() để lấy sai phân dữ liệu (d_birth). Dùng acf2() để xem ACF và PACF mẫu của dữ liệu này đến độ trễ 60. Lưu ý tính dai dẳng theo mùa.
  • Gọi diff() thêm lần nữa để lấy sai phân theo mùa của dữ liệu. Lưu vào dd_birth. Lại dùng acf2() để xem ACF và PACF của dữ liệu này, cũng đến độ trễ 60. Kết luận rằng mô hình SARIMA(0,1,1)x(0,1,1)12 có vẻ hợp lý.
  • Ước lượng mô hình SARIMA(0,1,1)x(0,1,1)12. Có điều gì xảy ra?
  • Thêm một tham số AR bổ sung (không theo mùa, p = 1) để phản ánh tương quan bổ sung. Mô hình có khớp tốt không?

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 to lag 60 of differenced data
d_birth <- diff(birth)


# Plot P/ACF to lag 60 of seasonal differenced data
dd_birth <- diff(d_birth, lag = 12)


# Fit SARIMA(0,1,1)x(0,1,1)_12. What happens?


# Add AR term and conclude
Chỉnh sửa và Chạy Mã