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（我知道有诸如 auto.arima() 之类的函数，但我仍然必须利用这个图）。您将如何解释 R 中的这个 arma 子集图？
我特别考虑的是第五排，因为它的 BIC 值只高出十个，虽然我们想最小化 BIC，但我认为这个微小的差异是合理的，因为从顶部算起的第五排比另一排简单得多此图指定的潜在模型。因此，我将如何解释具有滞后 5、11 和 12 的 AR 组件以及滞后 1 的 MA 组件的东西。
对于这样的情节，这种解释如何改变：
我也在考虑第 5 行的 BIC 值为 -220。
您可以使用 arima 函数使用 order 和seasonal 指定滞后。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auto.arima()预测包中的内容让 R 为您找出组件。
您提到“这个微小的差异可以通过从顶部算起的第五行比该图指定的其他潜在模型简单得多的事实来证明。”
BIC 已经通过惩罚复杂模型来考虑简单性，因此选择具有较低 BIC 的更简单模型实际上是对简单性进行了两次加权。
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。
您的一组可能的模型是这些 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，因为这仅表明可能的模型。测试每个模型的系数，并排除并非所有系数都显着的任何模型。然后，您可以在其余模型上运行残差测试等。