季节性时间序列的自动 ARIMA 模型
正如您在视频中学到的，auto.arima() 也适用于季节性数据。请注意，在 auto.arima() 中设置 lambda = 0（即进行对数变换）表示模型会拟合到变换后的数据上，而预测值会被反变换回原始量纲。
在对这类拟合模型使用 summary() 后，您可能会看到如下输出，它对应于 $(p,d,q)(P,D,Q)[m]$：
ARIMA(0,1,4)(0,1,1)[12]
在本练习中，您将使用这些函数来建模并预测已预加载的 h02 数据。该数据包含澳大利亚糖皮质激素类药物的月度销售量。
本练习是课程的一部分
R 中的预测
练习说明
- 使用标准绘图函数，绘制取对数后的
h02数据，以检查方差是否稳定。 - 对
h02序列拟合季节性 ARIMA 模型，并设置lambda = 0。将结果保存到fit。 - 使用合适的方法对拟合模型进行汇总。
- 该模型使用了哪些阶数的差分？将滞后 1 阶差分的数量赋给
d，将季节性差分赋给D。 - 使用拟合模型绘制未来 2 年的预测图。相应设置
h。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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 %>% ___ %>% ___