Bắt đầu ngayBắt đầu miễn phí

Mô hình ARIMA tự động cho chuỗi thời gian không theo mùa

Trong video, bạn đã học rằng hàm auto.arima() sẽ chọn một mô hình autoregressive integrated moving average (ARIMA) phù hợp cho một chuỗi thời gian, tương tự như cách hàm ets() làm với các mô hình ETS. Hàm summary() có thể cung cấp thêm một số thông tin chi tiết:

> # p = 2, d = 1, p = 2
> summary(fit)

Series: usnetelec
ARIMA(2,1,2) with drift
...

Trong bài tập này, bạn sẽ tự động chọn một mô hình ARIMA cho chuỗi austa đã được nạp sẵn, chuỗi này chứa số lượng khách quốc tế đến Australia hàng năm từ 1980–2015. Sau đó bạn sẽ kiểm tra phần dư (nhớ rằng p-value lớn hơn 0.05 cho thấy dữ liệu giống nhiễu trắng) và tạo một số dự báo. Ngoài hàm mô hình, bài này giống hệt những gì bạn đã làm với dự báo ETS.

Bài tập này là một phần của khóa học

Dự báo bằng R

Xem khóa học

Hướng dẫn bài tập

  • Khớp một mô hình ARIMA tự động cho chuỗi austa bằng hàm vừa được giới thiệu. Lưu vào fit.
  • Dùng hàm phù hợp để kiểm tra phần dư của mô hình thu được có giống nhiễu trắng không. Gán TRUE (nếu phần dư giống nhiễu trắng) hoặc FALSE (nếu không) cho residualsok.
  • Áp dụng summary() lên mô hình để xem các hệ số ước lượng.
  • Dựa trên kết quả từ summary(), AICc là bao nhiêu với hai chữ số thập phân? Có bao nhiêu bậc sai phân được dùng? Lần lượt gán vào AICc và d.
  • Cuối cùng, dùng toán tử pipe để vẽ dự báo cho 10 kỳ tiếp theo từ mô hình đã chọn.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Fit an automatic ARIMA model to the austa series
fit <- ___

# Check that the residuals look like white noise
___
residualsok <- ___

# Summarize the model
___

# Find the AICc value and the number of differences used
AICc <- ___
d <- ___

# Plot forecasts of fit
fit %>% forecast(h = ___) %>% ___()
Chỉnh sửa và Chạy Mã