商品簡介
Jednym z największych wyzwań w analizie danych jest wyb鏎 najbardziej odpowiedniego modelu dla danego zbioru danych. W praktyce blędna specyfikacja modelu często prowadzila do nieprawidlowych wniosk闚 w naukach o danych. W niniejszym badaniu por闚nano skutecznośc modelowania szereg闚 czasowych o sezonowych wlaściwościach dlugiej pamięci przy użyciu modeli SARIMA, ARFIMA i SARFIMA. Do ilustracji wykorzystano dane dotyczące średniej miesięcznej temperatury globalnej. Szereg temperatur wykazywal oznaki dlugiej pamięci, ponieważ wykres ACF powoli zanikal po dalszej analizie. Wykladnik Hursta uzyskany z analizy R/S potwierdzil obecnośc dlugiej pamięci. ACF wykazal wykladniczy spadek i sinusoidalny wz鏎, sugerując zar闚no niestacjonarnośc, jak i sezonowośc. Przeprowadzono testy stacjonarności i sezonowości, aby zweryfikowac te obserwacje. Ostatecznie zastosowano kryteria AIC i BIC w celu oceny efektywności wszystkich trzech modeli, a wyniki wskazaly, że w przypadku występowania zar闚no sezonowości, jak i dlugiej pamięci, model SARFIMA dzialal najskuteczniej.
