Submission:

● Submit your assignment as a single PDF file. You can use, e.g., Word to edit your assignment and then save it as pdf.  Preferably, do make use of R scripts and then use knitr to convert it to PDF.

● Submit your  assignment through  CANVAS as a soft copyfile, including a signed SECMS–Assignment cover sheet (otherwise your as- signment won’t be marked) in the first page. For this, use the submis- sion link avaialble under ‘Assignments’ .

● The filename must include 1) your lastname, 2) your firstname, and 3) your student id.  For instance, if John White submits his assignment,

this must be a file with extension .pdf and named “White John 123456789” .

Report/Assignment:  Your assignment must be self-contained and self– explanatory. All R code, output, scientific reference, and any other resource required to complete your assignment must be embedded in the document and adequatedly cited.

Page Limit:  Maximum number of pages is 15 including graphs and any relevant R code.

Data:In QuEsTIoN 1, QuEsTIoN 2 AND QuEsTIoN 3 you will use the quar- terly national average temperature (celcius) in New Zealand from Quarter 1, 2010 to Quarter 4, 2020. Filename: NZ_AvgTemp_Quarterly .csv. Finally, in QuEsTIoN 4, you will use the global_economy and aus_livestock datasets (from the fpp3 R package).

Software: Each computing task involved with this assignment must be car- ried out with R.

Plagiarism:  If this is the case for your project, your case will be referred to an appropriate AUT office.

Lateness penalties: Late assignments without and approved extension (or SCA) will be subject to a deduction of one grade (e.g., from C+ to C) out of your total mark for each 24-hr period, or part thereof, for up to a maximum of 3 DAYS. Assignments over three days late will not be marked and you will receive an DNC (Did Not Complete) for this assessment.

Exceptional Circumstances:   If your performance and/or your ability to complete this assignment by the due date is seriously affected by exceptional circumstances beyond your control  (e.g., injury or illness) you may apply for special consideration, WITH supporting evidence.  To apply for special consideration, you must complete the special considertaion form via Canvas (STAT603 Home Page).

Tasks/Questions:

Question 1 – ETS (20 marks)

HINT: Read Chapter 8 of the online book.

(a) Plot the series and discuss the main features of the data including

stationarity (2 marks).

(b) Forecast the next two years using (1) simple exponential smooth-

ing, (2) Holt’s linear trend, and Holt’s (3) damped trend.

Plot the series and the forecasts.  Merely based on this plot, discuss the adequacy of these methodologies to forecast from this series. Explain your answer (2 marks – forecasts + 3 marks – discussion; TOTAL = 5 marks)

(c) Repeat Part (b) with Holt-Winters’ seasonal methods.   Discuss whether additive or multiplicative seasonality is necessary.  Ex- plain your answer (2 marks – forecasts + 3 marks – discussion; TOTAL = 5 marks).

(d)  Compare the mean squared error (MSE) and the mean absolute error (MAE) of the one-step-ahead, four-step-ahead and six-step- ahead forecast forecasts from methods discussed in (b)-(c) above. Report your results neatly and clearly. You can use a Table.       Which method has the highest accuracy? Does this selection de- pend on the number of pre–specified (steps–ahead) forecasts? Ex- plain  your  answer  (2 marks – Results clearly presented + 3 marks – discussion; TOTAL = 5 marks).

(e) Briefly discuss the potential mistake/error we may be liable to

introduce in the discussion when comparing models models (b)– (c) using the MSE and MAE. (3 marks)

Question 2 – Stationarity (20 marks).

HINT: Read Sections 9.1, and 9.5 of the online book.

(a) Plot the  autocorrelation  function  (ACF)  and the  partial  ACF

(PACF).

(a.1)  Briefly discuss the stationarity of the series based on the

ACF. Does you answer here conform with your answer to Question 1 – (a)?

(a.2)  Should the series be differenced in order to obtain a stationary series? Explain your answer.

(3 marks – ACF and PACF + 5 marks – discussion; TOTAL = 8 marks).

(b) Find an appropriate Box-Cox transformation and order of differ-

encing to obtain stationary data.  Note:  Justify your answer whatsoever,  even  if  no  Box–Cox  transformation  is  re- quired.  (2 marks – working + 5 marks – discussion/rationale (a) + 5 marks – discussion/rationale (b) ; TOTAL = 12 marks).

Question 3 – (30 marks) Seasonal & non–seasonal ARIMA modelling . HINT: Read Sections 9.1, 9.5 and 9.7 of the online book.

(a) By studying the appropriate graphs of the series in  R, propose

an appropriate ARIMA(p,  d,  q) or ARIMA(p,  d,  q)(P, D, Q) structure to model the series. Explain your answer .

Plots/Figures can be included as part of your answer.  Don’t use Appendices. (3 marks working + 5 marks rationale; TOTAL = 8 marks).

(b)  Should a constant be included in the model?  Justify your an-

swer (2 marks).

(c) Fit the ARIMA model proposed in 3(a) using R functions and ex- amine the residuals. Is the proposed model satisfactory? Explain your answer

(3 marks – working (code) + 5 marks – explanation; TOTAL = 8 marks).

(d) Now, let ARIMA() choose an ARIMA model for this data.  Does ARIMA() return the same model as the one you chose in 3(a)?  If not, which model do you think suits best?  (Explain your answer) (3 mark– working and code + 5 marks – rationale; TOTAL = 8 marks).

(e) Which method do you think is best between ETS and ARIMA to

forecast from this series (compare Q3 and Q1 results !) ? Justify your answer (4 marks – reasons/rationale).

Question 4 – (10 marks) Seasonality and the function accuracy()

(a) Fit a Holt’s Linear (with no damping parameter), a Holt-Winters

additive and a Holt-Winters multiplicative model to the New Zealand   consumer price  index (CPI) from the data set global_economy.       Then, compare their in-sample accuracy with the function accuracy().

The output will return a NaN for the Holt-Winters models.  Why is this happening? Write down a short paragraph (2–3 sentences)

discussing this question (2 marks code + 3 marks discussion; TO- TAL = 5 marks).

Code to extract the data  (you will need to write code to esti- mate the models, and check the in–sample accuracy measure with accuracy().):

>  library("fpp3")

> mydata  <-  global_economy   %>%

filter(Country  ==  "New  Zealand")

(b) Now, repeat this analysis with the number of pigs slaughtered

in Victoria,  available in the dataset  aus_livestock.   Did you observe any warnings (or NaN) from Holt–Winters? Why did you get no errors as opposed to (a)?  Briefly explain your answer - compare to 4(a)

Code to extract the data.  You will need to write code to fit the required model and to check the in–sample accuracy measure with accuracy().

> myseries  <-  aus_livestock %>%                        filter(Animal  ==  "Pigs",  State  ==  "Victoria") > myseries   %>% autoplot(Count)

(2 marks code + 3 marks discussion; TOTAL = 5 marks).

Question 5 – (20 marks) Select the correct answer and explain as re-  quested (2 marks correct answer + 3 marks rationale = 5 marks/question; TOTAL = 20 marks).

(a) In general, prediction intervals from the ARIMA models increase

as the forecast horizon increases.

HINT: Read Section 9.8 of the online book.

● TRUE

● FALSE

Explain your answer.

(b) The AICc cannot be used to compare between ARIMA and ETs

models.

HINT: Read Section 9.10 of the online book.

● TRUE

● FALSE

Explain your answer.