Introduzione all'analisi delle serie temporali

L'analisi delle serie temporali viene usata per studiare i dati raccolti nel tempo, individuando tendenze, stagionalità e pattern.

Caricamento dei dati delle serie temporali

Usi la funzione ts() per creare un oggetto serie temporale in R.

data <- ts(c(100, 120, 130, 150, 170, 180), start=c(2020,1), frequency=12)
plot(data, main='Time Series Data')

Scomposizione delle serie temporali

La funzione decompose() suddivide le serie temporali in componenti di tendenza, stagionale e casuale.

decomposed <- decompose(data)
plot(decomposed)

Individuazione delle tendenze

Le medie mobili attenuano le fluttuazioni per rivelare le tendenze a lungo termine.

library(zoo)
trend <- rollmean(data, k=3, fill=NA)
plot(data, type='l')
lines(trend, col='red', lwd=2)

Rilevamento della stagionalità

La stagionalità si riferisce a pattern che si ripetono a intervalli fissi.

plot(decomposed$seasonal, main='Seasonal Component')

Autocorrelazione nelle serie temporali

La funzione acf() misura le correlazioni tra i valori passati e presenti.

acf(data, main='Autocorrelation Plot')

Previsioni con ARIMA

ARIMA (AutoRegressive Integrated Moving Average) è un modello diffuso per le previsioni delle serie temporali.

library(forecast)
model <- auto.arima(data)
forecasted <- forecast(model, h=5)
plot(forecasted)

Valutazione dell'accuratezza delle previsioni

Usi l'errore assoluto medio (MAE) e la radice dell'errore quadratico medio (RMSE) per misurare l'accuratezza delle previsioni.

accuracy(forecasted)

Riepilogo

In questa lezione ha imparato:

• Come creare e analizzare dati di serie temporali.
• Come rilevare tendenze, stagionalità e autocorrelazione.
• Come eseguire previsioni usando ARIMA e valutarne i risultati.