Modellval och residualanalys

ARIMA-modeller i R

David Stoffer

Professor of Statistics at the University of Pittsburgh

AIC och BIC

ch2_3.006.png

  • AIC och BIC mäter felet och straffar (på olika sätt) för att lägga till parametrar

  • Till exempel har AIC $\ k=2$ och BIC har $\ k = log(n)$

  • Mål: hitta modellen med lägst AIC eller BIC

ARIMA-modeller i R

Modellval: 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

ARIMA-modeller i R

Residualanalys

sarima() visar en residualanalysgrafik med:

  1. Standardiserade residualer
  2. Urvalets ACF för residualer
  3. Normalt Q-Q-diagram
  4. P-värden för Q-statistikan

ch2_3.016.png

ARIMA-modeller i R

Dåliga residualer

ch2_3.018.png

ARIMA-modeller i R

Dåliga residualer

ch2_3.019.png

ARIMA-modeller i R

Dåliga residualer

ch2_3.020.png

ARIMA-modeller i R

Dåliga residualer

ch2_3.021.png

ARIMA-modeller i R

Dåliga residualer

ch2_3.022.png

ARIMA-modeller i R

Dåliga residualer

ch2_3.023.png

ARIMA-modeller i R

Dåliga residualer

ch2_3.024.png

ARIMA-modeller i R

Nu kör vi en övning!

ARIMA-modeller i R

Preparing Video For Download...