Scelta del modello e analisi dei residui

Modelli ARIMA in R

David Stoffer

Professor of Statistics at the University of Pittsburgh

AIC e BIC

ch2_3.006.png

  • AIC e BIC misurano l’errore e penalizzano (in modo diverso) l’aggiunta di parametri

  • Per esempio, AIC ha $\ k=2$ e BIC ha $\ k = log(n)$

  • Obiettivo: trovare il modello con AIC o BIC più piccolo

Modelli ARIMA in R

Scelta del modello: AR(1) vs. MA(2)

gnpgr <- diff(log(gnp))
sarima(gnpgr, p = 1, d = 0, q = 0)

$AIC                          $BIC
-8.294403                     -9.263748

sarima(gnpgr, p = 0, d = 0, q = 2)

$AIC                          $BIC                                       
-8.297695                     -9.251712

ch2_3.010.png

Modelli ARIMA in R

Analisi dei residui

sarima() include un grafico di analisi dei residui con:

  1. Residui standardizzati
  2. ACF campionaria dei residui
  3. Q-Q plot normale
  4. p-value della Q-statistica

ch2_3.016.png

Modelli ARIMA in R

Residui problematici

ch2_3.018.png

Modelli ARIMA in R

Residui problematici

ch2_3.019.png

Modelli ARIMA in R

Residui problematici

ch2_3.020.png

Modelli ARIMA in R

Residui problematici

ch2_3.021.png

Modelli ARIMA in R

Residui problematici

ch2_3.022.png

Modelli ARIMA in R

Residui problematici

ch2_3.023.png

Modelli ARIMA in R

Residui problematici

ch2_3.024.png

Modelli ARIMA in R

Ayo berlatih!

Modelli ARIMA in R

Preparing Video For Download...