Model musiman campuran

Model ARIMA di R

David Stoffer

Professor of Statistics at the University of Pittsburgh

Model musiman campuran

  • Model campuran: model SARIMA$(p, d, q) \times (P, D, Q)_s$

  • Pertimbangkan model SARIMA$(0, 0, 1) \times (1, 0, 0)_{12}$

$$X_t = \Phi X_{t-12} + W_t + \theta W_{t-1}$$

  • SAR(1): Nilai bulan ini terkait dengan nilai tahun lalu $X_{t-12}$

  • MA(1): Nilai bulan ini terkait dengan guncangan bulan lalu $W_{t-1}$

Model ARIMA di R

ACF dan PACF dari SARIMA(0,0,1) × (1,0,0) s=12

  • ACF dan PACF untuk model campuran ini:

$$X_t = .8 X_{t-12} + W_t -.5 W_{t-1}$$

ch4_2.010.png

Model ARIMA di R

ACF dan PACF dari SARIMA(0,0,1) × (1,0,0) s=12

  • ACF dan PACF untuk model campuran ini:

$$X_t = .8 X_{t-12} + W_t -.5 W_{t-1}$$

ch4_2.011.png

Model ARIMA di R

ACF dan PACF dari SARIMA(0,0,1) × (1,0,0) s=12

  • ACF dan PACF untuk model campuran ini:

$$X_t = .8 X_{t-12} + W_t -.5 W_{t-1}$$

ch4_2.013.png

Model ARIMA di R

Persistensi musiman

ch4_2.015.png

Model ARIMA di R

Persistensi musiman

ch4_2.016.png

Model ARIMA di R

Persistensi musiman

ch4_2.017.png

Model ARIMA di R

Penumpang pesawat

  • Total bulanan penumpang pesawat internasional, 1949–1960

ch4_2.020.png

Model ARIMA di R

Penumpang pesawat: ACF dan PACF dari ddlx

ch4_2.022.png

Model ARIMA di R

Penumpang pesawat: ACF dan PACF dari ddlx

ch4_2.023.png

  • Musiman: ACF terputus pada lag 1s (s = 12); PACF menurun pada lag 1s, 2s, 3s…
Model ARIMA di R

Penumpang pesawat: ACF dan PACF dari ddlx

ch4_2.024.png

  • Musiman: ACF terputus pada lag 1s (s = 12); PACF menurun pada lag 1s, 2s, 3s…
Model ARIMA di R

Penumpang pesawat: ACF dan PACF dari ddlx

ch4_2.025.png

  • Musiman: ACF terputus pada lag 1s (s = 12); PACF menurun pada lag 1s, 2s, 3s…

  • Non-musiman: ACF dan PACF sama-sama menurun

Model ARIMA di R

Penumpang pesawat

airpass_fit1 <- sarima(log(AirPassengers), p = 1, 
                                           d = 1, q = 1, P = 0, 
                                           D = 1, Q = 1, S = 12)
airpass_fit1$ttable

     Estimate     SE t.value p.value
ar1    0.1960 0.2475  0.7921  0.4296
ma1   -0.5784 0.2132 -2.7127  0.0075
sma1  -0.5643 0.0747 -7.5544  0.0000

airpass_fit2 <- sarima(log(AirPassengers), 0, 1, 1, 0, 1, 1, 12)
airpass_fit2$ttable

     Estimate     SE t.value p.value
ma1   -0.4018 0.0896 -4.4825       0
sma1  -0.5569 0.0731 -7.6190       0
Model ARIMA di R

Penumpang pesawat

ch4_2.032.png

Model ARIMA di R

Ayo berlatih!

Model ARIMA di R

Preparing Video For Download...