ar（）函數與滯後變量在lm（）

Question

我想了解「stats」包的ar()函數與通過基本lm()函數在常規線性迴歸中簡單使用滯後變量的區別。

我已經跑：

ar(lh) 

其中返回：

係數： 0.6534 -0.0636 -0.2269

所以我認爲，這意味着推薦模型是AR（3）。如果我的理解是正確的，這意味着數據很好地解釋了因變量的滯後1，滯後2和滯後3（作爲複製AR（3）結構的方式）。於是我就下面的代碼：

summary(lm(x~lag(x)+lag(x,2)+lag(x,3),data=as.data.frame(lh))) 

其中返回：

但LAG2和LAG-3在統計上並不顯著的。我明白，ar（）不是爲您設計的，以便在OLS迴歸中找到最佳參數，但我認爲這個想法大致相同。那麼我怎麼誤解AR？

Answer 1

這是預測能力和過度參數之間的平衡。這些分別在Akaike信息標準中被表示爲對應於對數似然性和參數數量的項。因此，從AR（1）到AR（3），預測能力的增加超過抵消由於向模型增加兩個參數而導致的過度參數化的風險增加。它根本沒有統計意義。