如何解释 R 中的 ARMA 子集（对于更复杂的时间序列模型）？答案

【问题标题】：How to interpret ARMA subsets in R (for more complex timeseries models)?如何解释 R 中的 ARMA 子集（对于更复杂的时间序列模型）？
【发布时间】：2017-09-18 21:53:00
【问题描述】：

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，但我仍然必须利用它阴谋）。您如何解释 R 中的这个 arma 子集图？

我特别考虑的是第五行，因为它的 BIC 值仅高出 10 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行要简单得多比该图指定的其他潜在模型。因此，我将如何解释包含滞后 5、11 和 12 的 AR 组件以及滞后 1 的 MA 组件的东西。

对于类似这样的情节，这种解释如何改变：我也在考虑第 5 行的 BIC 值为 -220。

【问题讨论】：

标签： r time-series subset moving-average autoregressive-models

【解决方案1】：

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)

您还可以使用预测包中的auto.arima() 让 R 为您找出组件。

【讨论】：

是的，我也在考虑使用该功能。但是，我不确定，我将如何指定我在问题中提供的参数？回顾一下，AR 组件中的滞后 10、11 和 12 很重要，那么即使我设置 p = 3，我如何具体确保考虑这些滞后？此外，5 和 12 在模型的 MA 部分都很重要，那么我如何具体确保考虑这些滞后而其他滞后不考虑？您也没有包括我认为有必要为模型的季节性部分指定的期间输入。
@JaneSully 我认为您不能跳过 AR 术语。另外，我没有用过有马，我只用过预测的函数，但我相信它可以从 ts 对象中获取周期。
@JaneSully 因为您想使用 BIC 选择组件，只需运行 auto.arima 并将 ic = "BIC" 添加到函数中。这将为您提供所需的内容。
@JaneSully 你的季节是 5 吗？这将为您提供 5 个位置的 AR 参数，而不会包含任何中间滞后。
感谢您指出 auto.arima() 函数。我认为这是一个有用的工具，但绝对不符合预期的数据（因为仍然存在某种趋势）。将不得不玩更多！

【解决方案2】：

您提到“这种微小的差异是合理的，因为从顶部算起的第五行比该图指定的其他潜在模型要简单得多。”

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的两次加权。

表格表明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.

您的可能模型集是以下 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)}

其中大部分都不适合，因为这仅表示可能的模型。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。

【讨论】：