如何解释R中的ARMA子集（用于更复杂的时间序列模型）？

我正在使用R中的时间序列数据集。我必须提出几个模型，其中之一必须来自使用armasubsets（我知道有函数，如auto.arima（），但我仍然必须利用这个图）。你如何解释R中的这个arma子集图？如何解释R中的ARMA子集（用于更复杂的时间序列模型）？

我特别想到了第五排，因为它的BIC值只有十分之一更高，尽管我们想要最小化BIC，但我认为这个小的差异是合理的，因为从顶部第五排是比该图中指定的其他潜在模型简单得多。因此，我将如何解释AR组件滞后5,11和12，以及滞后1的MA组件。

这个解释如何改变这样的情节：我在想第5排BIC值为-220。

来源

2017-04-21 Jane Sully

您可以使用顺序和季节来指定具有arima函数的滞后。 p是AR，d是差分，q是MA。

arima(x, order = c(p, d, q), 
     seasonal = list(order = c(p, d, q)

您还可以使用预测包中的auto.arima()让R找出您的组件。

来源

2017-04-21 19:39:55 Kristofersen

是的，我也在考虑使用该功能。但我不确定，我将如何指定我在问题中提供的参数？作为一个回顾，AR组件中的滞后10,11和12是显着的，那么即使设置p = 3，我如何特别确保这些滞后被考虑？另外，5和12都在模型的MA部分有重要意义，所以我如何特别确定这些滞后是否被考虑，而其他的不是？您也没有包含我认为有必要为模型的季节性部分指定的期间输入。 –

@JaneSully我不认为你可以跳过AR条款。另外，我还没有使用arima，我只使用了预测的函数，但我相信它可以从ts对象中获得时间。 – Kristofersen

@JaneSully因为您想使用BIC来选择组件，只需运行auto.arima并将ic =“BIC”添加到该函数。这会给你你想要的。 – Kristofersen

你提到，“这个小小的差异是有道理的，因为从顶部开始的第五行显然比这个图中指定的其他潜在模型简单得多。”通过惩罚复杂模型，BIC已经说明了简单性，因此选择一个较简单的BIC较低的模型有效地简化了两次简单性。该表指示AR（1），AR（2），AR（3），AR（4），AR（8）和MA（3），MA（8）和MA（12）全都是可能的楷模。

您的一组可能的模型是这些ARMA值的组合： {ARMA（1,3），ARMA（1,8），ARMA（1,12），ARMA（2,3），ARMA（2），8），ARMA（2,12），ARMA（3,3）， ARMA（3,8），ARMA（3,12），ARMA（4,3），ARMA（4,8），ARMA（4），12），ARMA（8,3），ARMA（8,8），ARMA（8,12）}

大多数这些将不适合，因为这只表示可能的模型。测试这些模型中的每一个的系数，并排除并非所有系数都显着的地方。然后，您可以在剩余的模型上运行残差测试等。

来源

2017-05-20 12:19:27

如何解释R中的ARMA子集（用于更复杂的时间序列模型）？

回答

相关问题