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)
왜 데이터의 첫 번째 차이점에서 작용하는 ARMA 모델이 해당 ARIMA 모델과 다른가요? 예측 패키지 Arima(data,c(5,1,4))
및 Arima(diff(data),c(5,0,4))
와 같은ARIMA, ARMA 및 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");
}
}
. 나는
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);
으로 원하는 일관성을 얻을 수 있지만 auto.arima 뒤에 알고리즘에 의해 고려되지 않은 이러한 데이터의 최소 AIC 추정의 홀더를 보인다; 그러므로 첫 번째 차이점에 작용하는 ARMA (5,4) 대신에 ARMA (3,0)의 차선책을 선택했다. 하나의 모델을 다른 모델보다 더 잘 고려하기 전에 두 모델의 AIC 추정치가 얼마나 달라야하는지에 관한 질문입니다. 가장 작은 AIC 홀더가 적어도 고려되어야합니다. 비록 9 계수가 너무 많을지라도 100 회의 관측으로부터의 예측. 더 빨리, 그래서 이중 루프의
1) 벡터화 버전 :
내 R의 질문은?
2) 데이터에 작용하는 arima(5,1,4)
이 데이터의 첫 번째 차이점 인 arma(5,4)
과 다른 이유는 무엇입니까? 어느 것이보고되어야합니까?
3) AIC 출력을 정렬하여 작게 표시하려면 어떻게합니까?
감사합니다.
감사합니다. Rob. max.order = 9를 추가하면 ARIMA (5,1,4)/ARMA (5,4)의 AIC는 의미가 무엇이든 1e + 20이므로 ARIMA (3,1,0)/ARMA (3,0). – andrekos
auto.arima()는 적합성에 문제가있을 때 1e20 (즉, 10^20)의 AIC를 반환합니다.수렴 문제이거나 매개 변수가 연쇄 성과 가역성의 경계 근처에있을 수 있습니다. 이 신호는 모델에 문제가있어 사용하지 않는 것이 좋습니다. –
언제나처럼, stackoverflow에 대한 당신의 공헌에 감사드립니다, 롭! – griffin