R: модель ARIMA и автокорреляция между остатками - PullRequest
Новая
       67

R: модель ARIMA и автокорреляция между остатками

1 голос
/ 18 июня 2019

В статье: Оценка глобальной осведомленности о ХОБЛ с помощью Google Trends https://www.researchgate.net/publication/333155916_Assessing_global_COPD_awareness_with_Google_Trends

Я нашел следующее описание статистического анализа:

Для статистического анализа мы разделили данные намесяцы (сезонная составляющая) и кварталы года, которые были определены следующим образом: 1 квартал (1 квартал) = январь - март, 2 квартал (2 квартал) = апрель - июнь, 3 квартал (3 квартал) = июль - сентябрь, 4 квартал (Q4) = октябрь - декабрь.Корреляционный анализ проводился с использованием сезонной декомпозиции временных рядов по Лесс (фитинг локальной полиномиальной регрессии), который позволяет разложить временные ряды на сезонные части, тренды и нерегулярные компоненты. Обобщенная модель наименьших квадратов, учитывающая автокорреляцию между остатками, была установлена ​​для дальнейшей оценки значимости тренда во времени после корректировки на сезонные компоненты.Корреляционная структура невязок была получена из автоматического выбора параметров модели ARIMA с использованием критерия AIC .

Данные были выражены в виде коэффициента (бета), стандартной ошибки и значения p.

Полностью не разбираюсь в выделенном фрагменте.Я подготовил некоторый код для подготовки модели ARIMA на основе данных временного ряда.Однако я не знаю процесс расчета автокорреляции.

Давайте посмотрим код: 

library(forecast)
data(AirPassengers)
model_arima<- auto.arima(y=AirPassengers,seasonal=TRUE,stepwise=TRUE)
model_arima
Series: AirPassengers 
ARIMA(2,1,1)(0,1,0)[12] 

Coefficients:
         ar1     ar2      ma1
      0.5960  0.2143  -0.9819
s.e.  0.0888  0.0880   0.0292

sigma^2 estimated as 132.3:  log likelihood=-504.92
AIC=1017.85   AICc=1018.17   BIC=1029.35

... и как должен выглядеть следующий шаг для получения результатов автокорреляции, как в вышеупомянутой статье?

...