Wybór modelu i analiza reszt

Modele ARIMA w R

David Stoffer

Professor of Statistics at the University of Pittsburgh

AIC i BIC

ch2_3.006.png

  • AIC i BIC mierzą błąd i penalizują (w różny sposób) za dodawanie parametrów

  • Przykładowo: AIC ma $\ k=2$, a BIC ma $\ k = log(n)$

  • Cel: znaleźć model z najmniejszym AIC lub BIC

Modele ARIMA w R

Wybór modelu: 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

Modele ARIMA w R

Analiza reszt

sarima() zawiera graficzną analizę reszt obejmującą:

  1. Standaryzowane reszty
  2. Próbkową ACF reszt
  3. Wykres Q-Q (normalny)
  4. Wartości p statystyki Q

ch2_3.016.png

Modele ARIMA w R

Złe reszty

ch2_3.018.png

Modele ARIMA w R

Złe reszty

ch2_3.019.png

Modele ARIMA w R

Złe reszty

ch2_3.020.png

Modele ARIMA w R

Złe reszty

ch2_3.021.png

Modele ARIMA w R

Złe reszty

ch2_3.022.png

Modele ARIMA w R

Złe reszty

ch2_3.023.png

Modele ARIMA w R

Złe reszty

ch2_3.024.png

Modele ARIMA w R

Czas na ćwiczenia!

Modele ARIMA w R

Preparing Video For Download...