我从这开始。
> auto.arima(mntm)
Series: mntm
ARIMA(2,0,0)(2,0,0)[12] with non-zero mean
Coefficients:
ar1 ar2 sar1 sar2 intercept
0.0966 0.0883 0.5115 0.4622 139.5995
s.e. 0.0365 0.0358 0.0316 0.0319 19.8640
sigma^2 estimated as 380.2: log likelihood=-3440.66
AIC=6893.32 AICc=6893.42 BIC=6921.27
接下来
> auto.arima(mntm, stepwise=FALSE, approximation=FALSE)
Series: mntm
ARIMA(4,0,1) with non-zero mean
Coefficients:
ar1 ar2 ar3 ar4 ma1 intercept
1.0353 -0.0871 -0.1914 -0.2790 -0.5642 133.7108
s.e. 0.0417 0.0541 0.0513 0.0394 0.0290 0.5935
sigma^2 estimated as 391.5: log likelihood=-3438.04
AIC=6890.07 AICc=6890.22 BIC=6922.69
不逐步= FALSE，逼近= FALSE牺牲时间以获得更准确的模型？
明显是季节性的。> mntm
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
1 64 63 77 118 174 229 262 242 185 165 82 51
2 89 38 51 103 164 217 239 227 188 156 83 19
3 42 39 66 117 166 219 249 233 199 154 68 49
4 45 41 64 130 165 233 258 236 197 119 84 39
5 55 50 77 120 196 222 250 236 196 149 84 52
6 21 58 64 139 162 221 245 227 211 159 75 29
7 8 30 79 135 178 201 265 252 200 146 73 3
8 9 50 55 107 158 222 242 236 192 152 89 80
9 0 48 66 146 178 239 242 225 212 122 91 55
10 2 -2 46 126 170 204 258 235 195 142 99 -14
11 15 36 69 133 192 232 248 254 212 158 82 54
12 33 38 11 152 167 221 234 249 203 142 95 3
13 -6 47 84 106 159 217 255 240 230 144 96 29
14 20 23 58 125 185 219 227 233 185 142 70 9
15 4 -3 92 125 164 219 241 227 179 147 96 0
16 38 22 76 111 181 220 245 224 198 121 98 56
17 8 30 47 101 186 201 235 235 211 130 87 45
18 2 21 81 103 162 211 247 246 198 133 98 37
19 53 15 59 121 141 216 247 240 180 129 55 40
20 -1 -2 88 125 176 238 259 250 191 147 96 22
21 6 13 41 128 171 233 248 237 199 134 70 27
22 -19 20 46 117 180 219 242 238 216 157 93 30
23 -5 35 56 106 161 229 243 235 218 183 90 78
24 42 27 68 115 174 207 249 235 210 127 89 80
25 31 28 106 133 160 231 238 242 210 144 88 48
26 52 18 77 131 164 202 240 237 194 122 84 48
27 41 43 62 94 184 224 241 249 201 160 116 46
28 10 78 96 137 166 235 247 237 196 121 51 15
29 -45 19 93 134 180 216 264 263 229 140 115 42
30 11 -26 60 127 177 235 249 268 201 131 98 42
31 16 -31 83 118 182 202 238 240 209 134 112 58
32 27 4 61 137 187 214 258 256 221 134 74 26
33 -19 44 53 138 164 234 243 219 197 129 88 32
34 -12 33 70 110 193 217 253 229 201 137 102 69
35 26 30 84 114 164 214 252 247 210 161 110 45
36 13 77 58 120 172 234 243 246 190 177 79 79
37 -15 29 86 147 186 211 249 238 206 161 133 24
38 12 24 80 121 186 226 264 228 203 153 90 45
39 10 10 71 111 181 232 260 242 213 114 99 51
40 -4 32 75 114 174 223 259 256 192 113 97 31
41 45 30 77 117 170 242 244 239 212 154 83 -24
42 63 68 90 124 166 227 257 240 190 161 99 68
43 34 49 85 135 202 225 254 246 197 143 91 52
44 30 41 62 119 154 204 249 225 207 123 95 46
45 42 7 54 119 180 225 269 247 208 132 90 23
46 -4 25 77 153 156 243 270 229 197 130 111 66
47 46 23 88 131 180 230 270 254 211 155 62 11
48 14 24 46 122 164 227 238 230 204 142 56 57
49 22 59 80 110 157 210 252 233 205 147 90 48
50 63 63 84 121 168 216 247 246 226 147 87 57
51 49 45 63 124 177 219 268 246 209 136 110 54
52 16 49 98 121 186 232 230 235 197 146 71 9
53 26 46 58 126 167 222 216 239 177 126 96 59
54 38 40 78 134 161 217 244 244 204 143 75 24
55 -16 8 76 110 144 209 241 241 205 124 104 31
56 -14 18 74 122 204 208 241 227 200 128 84 35
57 17 26 41 114 135 215 249 244 206 144 93 17
58 57 22 61 122 159 211 249 239 182 128 102 57
59 43 -11 70 106 162 212 238 239 196 173 70 40
60 18 41 78 127 155 231 242 217 203 123 71 57
61 -5 33 61 125 178 217 237 252 195 146 109 36
62 8 -1 89 142 190 252 266 250 216 149 88 0
63 -2 47 71 151 196 244 275 249 225 149 116 75
64 53 59 122 135 206 232 282 260 212 163 80 83
65 45 40 57 140 188 244 272 241 208 169 88 63
对不起。我尝试插入情节来显示季节性，但我还需要10点。
是因为ARIMA（4,0,1）的AIC和AICc较小吗？ 而且，它们如何变小？ 任何帮助将不胜感激。
另外，输入如何使这个问题更高质量的问题，将不胜感激。
答案 0 :(得分：9)
auto.arima将返回最佳模型（根据AICc），它可以在给定的约束条件下找到它。在stepwise=FALSE时，它会查看比使用默认逐步过程更多的模型。但是，根据允许的参数数量，模型数量受到限制。在默认设置中，允许的总参数不超过五个（以节省查看太多模型的时间）。在您的情况下，它发现了一个非季节性模型 - ARIMA（4,0,1） - 在所有模型（季节性或其他）中具有5个或更少参数的最小AICc。该模型使用循环行为很好地模拟了季节性。看看预测，你会发现结果看起来是季节性的，即使它们不是。
如果您想找到更好的真正季节性模型，只需通过设置max.order=10来增加允许的参数数量。使用approximation=FALSE获得的收益不会太多。这样做是为了迫使它更准确地评估每个模型的可能性，但是近似值非常好并且更快，所以通常是可以接受的。