значение стационарного = ИСТИНА в функции auto.arima - PullRequest
Новая
       18

значение стационарного = ИСТИНА в функции auto.arima

0 голосов
/ 08 мая 2019

У меня есть эти данные, которые представляют собой остаточные ряды, полученные из предсказанных значений и наблюдений. исходная серия была случайной прогулкой с очень небольшим сносом (среднее = 0,0025). 

err <- ts(c(0.6100, 1.3500, 1.0300, 0.9600, 1.1100, 0.8350 , 0.8800 , 1.0600 , 1.3800 , 1.6200,  1.5800 , 1.2800 , 1.3000 , 1.4300 , 2.1500 , 1.9100 , 1.8300 , 1.9500  ,1.9999, 1.8500 , 1.5500 , 1.9800  ,1.7044  ,1.8593 , 1.9900 , 2.0400, 1.8950,  2.0100 , 1.6900 , 2.1800 ,2.2150,  2.1293 , 2.1000 , 2.1200 , 2.0500 , 1.9000,  1.8350, 1.9000 ,1.9500 , 1.7800 , 1.5950,  1.8500 , 1.8400,  1.5800, 1.6100 , 1.7200 , 1.8500 , 1.6700,  1.8050,  1.9400,  1.5000 , 1.3100 , 1.4864,  1.2400 , 0.9300 , 1.1400, -0.6100, -0.4300 ,-0.4700 ,-0.3450), frequency = 7, start = c(23, 1), end = c(31, 4))

и я знаю, что этот остаточный ряд имеет некоторые корреляции серий и может быть смоделирован с помощью ARIMA. 

acf(err[1:length(err)]);pacf(err[1:length(err)])
# x axis starts with zero.
# showing only integer lags here, same plot as full seasonal periods. 
# shows it typically can be fitted by a MA model.

enter image description here

Я пробовал следующие фитинги: 

library(forecast)

m1 <- auto.arima(err, stationary=T, allowmean=T)
#output
# ARIMA(2,0,0) with zero mean 

# Coefficients:

#         ar1     ar2
#      0.7495  0.2254
# s.e.  0.1301  0.1306

# sigma^2 estimated as 0.104:  log likelihood=-17.65
# AIC=41.29   AICc=41.72   BIC=47.58

m2 <- auto.arima(err, allowmean=T)
# output
# ARIMA(0,2,2) 

# Coefficients:
#          ma1     ma2
#      -1.3053  0.3850
# s.e.   0.1456  0.1526

# sigma^2 estimated as 0.1043:  log likelihood=-16.97
# AIC=39.94   AICc=40.38   BIC=46.12

если мы обращаемся к справочной странице auto.arima, мы видим, что:

стационарный: если TRUE, поиск будет ограничен стационарными моделями.

Из acf и pacf из err мы можем видеть, что он должен быть приспособлен моделью MA, а не AR, почему auto.arima дает мне AR посадку?

Насколько я понимаю, m1 и m2 должны быть стационарными, тогда Какова цель этого stationary аргумента?

теперь еще интереснее, если мы построим корни этих двух моделей:

M1 M2

модель, когда stationary=T (m1) менее стационарна, чем m2, если мы посмотрим на график с корнями, хотя m1 $ остатки - это белый шум.

1 Ответ

1 голос
/ 08 мая 2019

Я не могу ответить на первый вопрос, но относительно второго, auto.arima() может фактически генерировать нестационарные модели, чтобы соответствовать данному временному ряду. «I» означает интегрированный, что означает, что он может использовать интеграцию. Вы можете преобразовать большинство (все?) Нестационарных моделей, взяв разницу (разность) каждого наблюдения от предыдущего (во многом как производную в исчислении), а затем преобразовав ее обратно в исходный временной ряд путем интегрирования.

Итак, если вы не хотите, чтобы auto-arima() генерировал нестационарные модели, то вы используете аргумент stationary, в основном ограничивая его нахождением соответствия с использованием более простых моделей ARMA.

...