0

我有这个数据是从预测值和观察中获得的残差序列。原始系列是随机游走，漂移非常小（平均值=0.0025）。

err <- ts(c(0.6100, 1.3500, 1.0300, 0.9600, 1.1100, 0.8350 , 0.8800 , 1.0600 , 1.3800 , 1.6200,  1.5800 , 1.2800 , 1.3000 , 1.4300 , 2.1500 , 1.9100 , 1.8300 , 1.9500  ,1.9999, 1.8500 , 1.5500 , 1.9800  ,1.7044  ,1.8593 , 1.9900 , 2.0400, 1.8950,  2.0100 , 1.6900 , 2.1800 ,2.2150,  2.1293 , 2.1000 , 2.1200 , 2.0500 , 1.9000,  1.8350, 1.9000 ,1.9500 , 1.7800 , 1.5950,  1.8500 , 1.8400,  1.5800, 1.6100 , 1.7200 , 1.8500 , 1.6700,  1.8050,  1.9400,  1.5000 , 1.3100 , 1.4864,  1.2400 , 0.9300 , 1.1400, -0.6100, -0.4300 ,-0.4700 ,-0.3450), frequency = 7, start = c(23, 1), end = c(31, 4))

我知道这个残差系列有一些系列相关性，可以用ARIMA.

acf(err[1:length(err)]);pacf(err[1:length(err)])
# x axis starts with zero.
# showing only integer lags here, same plot as full seasonal periods. 
# shows it typically can be fitted by a MA model.

在此处输入图像描述

我尝试了以下配件：

library(forecast)

m1 <- auto.arima(err, stationary=T, allowmean=T)
#output
# ARIMA(2,0,0) with zero mean 

# Coefficients:

#         ar1     ar2
#      0.7495  0.2254
# s.e.  0.1301  0.1306

# sigma^2 estimated as 0.104:  log likelihood=-17.65
# AIC=41.29   AICc=41.72   BIC=47.58

m2 <- auto.arima(err, allowmean=T)
# output
# ARIMA(0,2,2) 

# Coefficients:
#          ma1     ma2
#      -1.3053  0.3850
# s.e.   0.1456  0.1526

# sigma^2 estimated as 0.1043:  log likelihood=-16.97
# AIC=39.94   AICc=40.38   BIC=46.12

如果我们参考auto.arima的帮助页面，我们会看到：

固定：如果为 TRUE，则将搜索限制为固定模型。

从acfandpacf中err我们可以看出，它是由一个MA模型来拟合的，而不是AR，为什么auto.arima给我一个ARfit 呢？

我的理解是两者都m1应该m2是静止的，那么这个stationary论证的目的是什么？

现在更有趣的是，如果我们绘制这两个模型的根：

M1 M2

尽管 m1$residuals 是白噪声，但 (m1)的模型stationary=T不如m2我们查看根图时的模型平稳。

4

1 回答 1

1

我无法回答第一个问题，但关于第二个问题，auto.arima()实际上可以生成非平稳模型以适应给定的时间序列。“i”代表集成，意味着它可以使用集成。您可以通过获取每个观察值与前一个观察值的差异（diff）来转换大多数（全部？）非平稳模型（很像微积分中的导数），然后通过积分将其转换回原始时间序列。

因此，如果您不想让auto-arima()生成非平稳模型，那么您可以使用该stationary参数，基本上限制了它使用更简单的 ARMA 模型来寻找拟合。

于 2019-05-08T01:41:04.647 回答