Capítulo 9 Séries Temporais

Uma série temporal é um conjunto de dados observado no tempo. (R. J. Hyndman and Athanasopoulos 2018) trazem uma compilação dos principais e mais recentes métodos da literatura, programados na biblioteca fpp2 de (R. Hyndman 2020). A seguir está o código fits, escrito com algumas funções desta biblioteca, de maneira a utilizar os seguintes métodos:

  • ARIMA (AutoRegressive Integrated Moving Average), função auto.arima
  • ETS (Modelo de espaço de estados com suavização exponencial), função ets
  • TBATS (Modelo de espaço de estados com suavização exponencial com transformação Box-Cox, erros ARMA e componentes sazonais e de tendência), função tbats
  • NNETAR (Rede neural autorregressiva), função nnetar
# calling package
library(jurimetrics)
# example
fits(livestock)

## $fcast
##      Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 2008            461   440   482   428   493
## 2009            466   436   496   420   512
## 2010            471   434   508   414   528
## 2011            476   433   519   410   542
## 2012            481   432   529   407   555
## 2013            486   432   539   404   568
## 2014            491   433   549   402   580
## 2015            496   434   558   401   591
## 2016            501   434   568   399   603
## 
## $mse.pred
##   mse.pred.aa mse.pred.ets mse.pred.tb mse.pred.nn
## 1         109          103         253         742
## 
## $best.model
## [1] "ets"
## 
## $runtime
## Time difference of 1.27 secs
Exercício 9.1 Considere a função fits.
a) Avalie os parâmetros da função a partir do código.
b) Aplique nos bancos de dados h02 e gas, utliizando os parâmetros que considerar mais adequados.
Exercício 9.2 Considere o banco de dados do índice Dow Jones disponível em https://archive.ics.uci.edu/ml/datasets/Dow+Jones+Index, lido com o código abaixo. 
url1 <- 'https://archive.ics.uci.edu/ml/machine-learning-databases/00312/dow_jones_index.zip'
download.file(url1, 'temp.zip', mode = 'wb')
dat <- suppressMessages(read_csv('temp.zip'))
st <- ts(dat$percent_change_next_weeks_price)
  1. Modele e projete a série percent_change_next_weeks_price através da função fits. Busque pelos melhores modelos alterando os parâmetros da função, tais como train e max.points.
  2. Avalie outras colunas do banco de dados e repita as operações do item a.

Referências

Hyndman, Rob. 2020. Fpp2: Data for "Forecasting: Principles and Practice" (2nd Edition). https://CRAN.R-project.org/package=fpp2.
Hyndman, Rob J, and George Athanasopoulos. 2018. Forecasting: Principles and Practice. OTexts. https://otexts.com/fpp2/.