data <-c(88, 84, 85, 85, 84, 85, 83, 85, 88, 89, 91, 99, 104, 112, 126, 138, 146,151, 150, 148, 147, 149, 143, 132, 131, 139, 147, 150, 148, 145, 140, 134, 131, 131, 129, 126, 126, 132, 137, 140, 142, 150, 159, 167, 170, 171, 172, 172, 174, 175, 172, 172, 174, 174, 169, 165, 156, 142, 131, 121, 112, 104, 102, 99, 99, 95, 88, 84, 84, 87, 89, 88, 85, 86, 89, 91, 91, 94, 101, 110, 121, 135, 145, 149, 156, 165, 171, 175, 177, 182, 193, 204, 208, 210, 215, 222, 228, 226, 222, 220)
データの最初の違いに作用する ARMA モデルが、対応する ARIMA モデルと異なるのはなぜですか?
for (p in 0:5)
{
for (q in 0:5)
{
#data.arma = arima(diff(data), order = c(p, 0, q));cat("p =", p, ", q =", q, "AIC =", data.arma$aic, "\n");
data.arma = arima(data, order = c(p, 1, q));cat("p =", p, ", q =", q, "AIC =", data.arma$aic, "\n");
}
}
予測パッケージArima(data,c(5,1,4))と同じです。Arima(diff(data),c(5,0,4))私は望ましい一貫性を得ることができます
auto.arima(diff(data),max.p=5,max.q=5,d=0,approximation=FALSE, stepwise=FALSE, ic ="aic", trace=TRUE);
auto.arima(data,max.p=5,max.q=5,d=1,approximation=FALSE, stepwise=FALSE, ic ="aic", trace=TRUE);
しかし、これらのデータの最小 AIC 推定値の所有者は、auto.arima の背後にあるアルゴリズムによって考慮されていないようです。したがって、最初の違いに作用する ARMA(5,4) ではなく、ARMA(3,0) の次善の選択です。関連する質問は、1 つのモデルが他のモデルよりも優れていると考える前に、2 つの AIC 推定値がどの程度異なる必要があるかということです。プログラミングとはほとんど関係がありません。9 つの係数は少し多すぎるかもしれませんが、最小の AIC 保有者を少なくとも考慮/報告する必要があります。 100 回の観測からの予測。
私のRの質問は次のとおりです。
1)ダブルループのベクトル化バージョンなので、高速ですか?
arima(5,1,4)2)データに基づいて行動することが、データarma(5,4)の最初の違いに基づいて行動することと異なるのはなぜですか? 通報するのはどっち？
3) 小さい方が最初になるように AIC 出力を並べ替えるにはどうすればよいですか?
ありがとう。