如何解释R中的ARMA子集（对于更复杂的时间序列模型）？

Question

我正在使用R中的时间序列数据集。我必须提出几个模型，其中一个必须来自使用armasubsets（我知道有一些函数，如auto.arima（），但我仍然需要利用这个情节）。你如何解释R？

中的这个arma子集图

我特意想到了第五行，因为它的BIC值只有十分之一，虽然我们想要最小化BIC，但我认为这个小的差异可以通过顶部的第五行明显更简单来证明比该图所指定的其他潜在模型。因此，我将如何解释滞后5,11和12处的AR分量以及滞后1处的MA分量。

对于这样的情节，这种解释如何变化：我在考虑第5行，BIC值为-220。

Answer 1

您可以使用顺序和季节性指定具有arima功能的滞后。 p是AR，d是差分，q是MA。

arima(x, order = c(p, d, q),
      seasonal = list(order = c(p, d, q)

您还可以使用预测包中的auto.arima()让R为您找出组件。

Answer 2

你提到这个＆＃34;这个小差异可以证明这一事实是从顶部的第五行比这个图所指定的其他潜在模型要简单得多。＆＃34;

BIC已经通过惩罚复杂模型来解释简单性，因此选择具有较低BIC的更简单模型实际上是将简单性加权两次。

该表表明AR（1），AR（2），AR（3），AR（4），AR（8）和MA（3），MA（8）和MA（12）都是可能的模型。

您可能的模型集合是这些ARMA值的组合： {ARMA（1,3），ARMA（1,8），ARMA（1,12），ARMA（2,3），ARMA（2,8），ARMA（2,12），ARMA（3,3）， ARMA（3,8），ARMA（3,12），ARMA（4,3），ARMA（4,8），ARMA（4,12），ARMA（8,3），ARMA（8,8），ARMA （8,12）}

其中大多数都不合适，因为这仅表示可能的型号。测试每个模型的系数，并排除不是所有系数都很重要的地方。然后，您可以在剩余的模型上运行残差测试等。