全球变暖
现在您已经有了将 ARIMA 模型拟合到模拟数据的经验，接下来请将这些技能应用到真实世界数据上。
globtemp（来自 astsa）数据是截至 2015 年的年度全球气温距平。在本练习中，您将使用常用方法为该数据拟合 ARIMA 模型。数据图显示出随机游走特征，因此建议使用差分后的数据。差分数据 diff(globtemp) 的图也已提供。
在绘制差分数据 diff(globtemp) 的样本 ACF 和 PACF 后，您可以认为：
- ACF 和 PACF 都呈尾衰，意味着 ARIMA(1,1,1) 模型。
- ACF 在滞后 2 截尾，PACF 呈尾衰，意味着 ARIMA(0,1,2) 模型。
- ACF 呈尾衰而 PACF 在滞后 3 截尾，意味着 ARIMA(3,1,0) 模型。尽管该模型拟合还可以，但在三者中最差（您可以验证），因为在自相关很小的情况下使用了过多参数。
拟合前两个模型后，请检查 AIC 和 BIC，以选择更优模型。
本练习是课程的一部分
R 中的 ARIMA 模型
练习说明
- 绘制差分数据
diff(globtemp)的样本 ACF 和 PACF，您会发现有 2 个模型较为合理：ARIMA(1,1,1) 和 ARIMA(0,1,2)。 - 使用
sarima()对globtemp拟合 ARIMA(1,1,1) 模型。所有参数都显著吗？ - 再次调用
sarima()对globtemp拟合 ARIMA(0,1,2) 模型。所有参数都显著吗？哪个模型更好？
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Plot the sample P/ACF pair of the differenced data
# Fit an ARIMA(1,1,1) model to globtemp
# Fit an ARIMA(0,1,2) model to globtemp. Which model is better?