モデル選択と残差解析

Rで学ぶARIMAモデル

David Stoffer

Professor of Statistics at the University of Pittsburgh

AICとBIC

ch2_3.006.png

  • AICとBICは誤差を測り、パラメータ追加を（異なる方法で）罰則化

  • 例: AICは$\ k=2$、BICは$\ k = log(n)$

  • 目的: AICまたはBICが最小のモデルを選ぶ

Rで学ぶARIMAモデル

モデル選択: 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

Rで学ぶARIMAモデル

残差解析

sarima()は残差解析の図を含みます:

  1. 標準化残差
  2. 残差の標本ACF
  3. 正規Q–Qプロット
  4. Q統計のp値

ch2_3.016.png

Rで学ぶARIMAモデル

悪い残差

ch2_3.018.png

Rで学ぶARIMAモデル

悪い残差

ch2_3.019.png

Rで学ぶARIMAモデル

悪い残差

ch2_3.020.png

Rで学ぶARIMAモデル

悪い残差

ch2_3.021.png

Rで学ぶARIMAモデル

悪い残差

ch2_3.022.png

Rで学ぶARIMAモデル

悪い残差

ch2_3.023.png

Rで学ぶARIMAモデル

悪い残差

ch2_3.024.png

Rで学ぶARIMAモデル

演習に進みましょう！

Rで学ぶARIMAモデル

Preparing Video For Download...