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)
为什么ARMA模型对数据的第一个差异起作用与对应的ARIMA模型不同？
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");
}
}
与预测包中的Arima(data,c(5,1,4))和Arima(diff(data),c(5,0,4))相同。我可以通过
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);
但似乎这些数据的最小AIC估计的持有者尚未被auto.arima背后的算法考虑;因此ARMA（3,0）的次优选择代替ARMA（5,4）作用于第一个差异。一个相关的问题是，在考虑一个模型比另一个模型更好地进行wuth编程之前，两个AIC估计应该有多少差异 - 尽管最小的AIC持有者应该至少被考虑/报告，即使9个系数可能有点过多从100次观测预测。
我的R问题是：
1）双循环的矢量化版本，所以它更快？
2）为什么arima(5,1,4)对数据的影响不同于arma(5,4)对数据的第一个区别的影响？哪一个要报道？
3）如何对AIC输出进行排序，以便较小的输出？
感谢。
答案 0 :(得分：8)
这里提出了很多问题和问题。我会尽力回应他们每个人。
Arima()只是arima()的包装器，所以它会提供相同的模型。
arima（）通过使用漫反射先验来处理具有差分的模型。这与在拟合模型之前区分数据不同。因此，arima(x,order=c(p,1,q))和arima(diff(x),order=c(p,0,q))会得到略有不同的结果。
auto.arima()直接处理差异，并且在拟合时不使用漫反射先验。因此，您将从auto.arima(x,d=1,...)和auto.arima(diff(x),d=0,...)
auto.arima()有一个参数max.order，它指定了p + q的最大值。默认情况下为max.order=5，因此不会考虑您的arima(5,1,4)。如果你想考虑这么大的模型，可以增加max.order（虽然我不推荐）。
您无法在每次迭代时对包含非线性优化的循环进行矢量化。
如果要对输出进行排序，则需要将其保存到data.frame，然后对相关列进行排序。代码目前正在吐出结果，除了最新的模型之外什么也没有保存。