季節性時間序列的自動 ARIMA 模型
如同你在影片中學到的，auto.arima() 也適用於季節性資料。請注意，在 auto.arima() 中設定 lambda = 0（也就是套用對數轉換）表示模型會配適到轉換後的資料，預測值則會再反轉換回原始尺度。
對這類已配適的模型使用 summary() 後，你可能會看到如下所示的輸出，對應到 $(p,d,q)(P,D,Q)[m]$：
ARIMA(0,1,4)(0,1,1)[12]
在本練習中，你會使用這些函式來建模並對預先載入的 h02 資料進行預測。h02 包含澳洲皮質類固醇藥品的月銷售量。
本練習屬於課程
R 的時間序列預測
練習說明
- 使用標準繪圖函式，繪出取對數後的
h02資料，以檢查變異數是否穩定。 - 對
h02序列配適季節性 ARIMA 模型，並設定lambda = 0。將結果存為fit。 - 使用合適的方法摘要顯示已配適的模型。
- 模型中使用了哪些階數的差分？請將一次落後差分的階數指定給
d，季節性差分的階數指定給D。 - 使用已配適的模型繪製未來 2 年的預測。請相應設定
h。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Check that the logged h02 data have stable variance
h02 %>% ___ %>% ___
# Fit a seasonal ARIMA model to h02 with lambda = 0
fit <- ___
# Summarize the fitted model
___
# Record the amount of lag-1 differencing and seasonal differencing used
d <- ___
D <- ___
# Plot 2-year forecasts
fit %>% ___ %>% ___