r - ar() 函数与 lm() 中的滞后变量

Question

我试图了解ar()“stats”包的功能与通过基本lm()函数在常规线性回归中简单地使用滞后变量有何不同。

我跑过：

ar(lh)

哪个返回：

系数：1 2 3
0.6534 -0.0636 -0.2269

所以我认为这意味着推荐的模型是 AR(3)。如果我的理解是正确的，这意味着数据可以通过因变量上的 lag1、lag2 和 lag3 得到很好的解释（作为复制 AR(3) 结构的一种方式）。所以我运行了以下代码：

summary(lm(x~lag(x)+lag(x,2)+lag(x,3),data=as.data.frame(lh)))

哪个返回：

但是 lag2 和 lag3 根本没有统计学意义。我知道 ar() 并不是为您在 OLS 回归中找到最佳参数而设计的，但我认为这个想法大致相同。那么我对 AR 有什么误解？

Answer 1

这是预测能力和过度参数化之间的平衡。这些在 Akaike 信息准则中分别表示为对应于对数似然和参数数量的项。因此，从 AR(1) 到 AR(3)，您的预测能力会有所提高，这足以抵消通过向模型添加两个参数而导致的过度参数化风险的增加。它根本不考虑统计显着性。