data <-c(88, 84, 85, 85, 84, 85, 83, 85, 88, 89, 91, 99, 104, 112, 126, 138, 146,151, 150, 148, 147, 149, 143, 132, 131, 139, 147, 150, 148, 145, 140, 134, 131, 131, 129, 126, 126, 132, 137, 140, 142, 150, 159, 167, 170, 171, 172, 172, 174, 175, 172, 172, 174, 174, 169, 165, 156, 142, 131, 121, 112, 104, 102, 99, 99, 95, 88, 84, 84, 87, 89, 88, 85, 86, 89, 91, 91, 94, 101, 110, 121, 135, 145, 149, 156, 165, 171, 175, 177, 182, 193, 204, 208, 210, 215, 222, 228, 226, 222, 220)
爲什麼作用於數據第一差異的ARMA模型與相應的ARIMA模型不同?ARIMA,ARMA和AIC?
for (p in 0:5)
{
for (q in 0:5)
{
#data.arma = arima(diff(data), order = c(p, 0, q));cat("p =", p, ", q =", q, "AIC =", data.arma$aic, "\n");
data.arma = arima(data, order = c(p, 1, q));cat("p =", p, ", q =", q, "AIC =", data.arma$aic, "\n");
}
}
同樣的,在預測包Arima(data,c(5,1,4))
和Arima(diff(data),c(5,0,4))
。我可以得到
auto.arima(diff(data),max.p=5,max.q=5,d=0,approximation=FALSE, stepwise=FALSE, ic ="aic", trace=TRUE);
auto.arima(data,max.p=5,max.q=5,d=1,approximation=FALSE, stepwise=FALSE, ic ="aic", trace=TRUE);
所需的一致性,但它似乎是最小AIC估計這些數據尚未考慮通過後面auto.arima算法的持有人;因此ARMA(3,0)不是最佳選擇,而是ARMA(5,4)作用於第一差異。一個相關的問題是,在考慮一個模型比另一個模型好的程度之前,兩個AIC估計值應該有多少差別 - 儘管9個係數可能有點過多,但至少應該考慮/報告最小的AIC持有者對100個觀察值進行預測。
我的R課題是:
1)雙循環的矢量化版本,所以它比較快?
2)爲什麼arima(5,1,4)
作用於數據不同於arma(5,4)
作用於數據的第一個差異?哪一個是要報告的?
3)如何對AICs輸出進行排序,使較小的先出現?
謝謝。
謝謝,羅布。加入最大秩序= 9,ARIMA(5,1,4)/ ARMA(5,4)的AIC爲1e + 20,不管它是什麼意思,所以它仍然選擇ARIMA(3,1,0)/ ARMA 3,0)爲最佳。 – andrekos 2009-11-03 06:23:03
當適配存在問題時,auto.arima()返回1e20的AIC(即10^20)。這可能是一個收斂問題,或者這些參數可能接近平穩性和可逆性的邊界。這些信號表明該模型可能存在問題,最好不要使用。 – 2009-11-03 07:13:11
一如既往,感謝您對stackoverflow的貢獻,Rob! – griffin 2009-11-03 16:44:37