非季节性时间序列的自动 ARIMA 模型
在视频中，您了解到 auto.arima() 函数会像 ets() 为 ETS 模型所做的那样，根据给定的时间序列自动选择合适的自回归积分滑动平均 (ARIMA) 模型。summary() 函数还能提供一些补充信息：
> # p = 2, d = 1, p = 2
> summary(fit)
Series: usnetelec
ARIMA(2,1,2) with drift
...
在本练习中，您将为预加载的 austa 序列自动选择一个 ARIMA 模型。该序列包含 1980-2015 年澳大利亚年度入境国际游客数量。之后，您将检查残差（回忆：当 p 值大于 0.05 时，数据可视为类似白噪声），并生成一些预测。除建模函数不同外，这与您在 ETS 预测中的步骤相同。
本练习是课程的一部分
R 中的预测
练习说明
- 使用新介绍的函数为
austa序列拟合自动 ARIMA 模型，并将结果保存到fit。 - 使用相应函数检查所得模型的残差是否看起来像白噪声。若残差像白噪声，将
TRUE赋给residualsok；否则赋值为FALSE。 - 对该模型调用
summary()，查看拟合得到的系数。 - 根据
summary()的结果，AICc 值（保留两位小数）是多少？使用了多少次差分？分别将这两个值赋给AICc和d。 - 最后，使用管道操作符，从所选模型中绘制未来 10 个周期的预测图。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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 = ___) %>% ___()