ARMA(2,1) PACF 和 ACF 解释
ARMA(2,1) PACF and ACF interpretation
我有两个主要问题。
1. 为什么我的最佳适配与实际不符？基于 AIC 和 BIC 的最佳拟合是 AR1 模型是 ARMA(2,1)
- 为什么我的 ARMA(2,1) 的 ACF 和 PACF 看起来应该是基于图表图像的 ARMA(1,1)？ （ACF 和 PACF 有一个明显的滞后然后下降到 0）
这是我的公式
set.seed(170)
x <- arima.sim(model = list(ar = c(0.2, -0.1), ma = 0.1), n = 230)
ts.plot(x)
acf2(x)
这是用于查找问题 1 的 AIC 和 BIC 的编码。
AR1_fit <- sarima(x, p=1, d=0, q=0)
AR1_fit
AR2_fit <- sarima(x, p=2, d=0, q=0)
AR2_fit
MA1_fit <- sarima(x, p=0, d=0, q=1)
MA1_fit
MA2_fit <- sarima(x, p=0, d=0, q=2)
MA2_fit
ARMA11_fit <- sarima(x, p=1, d=0, q=1)
ARMA11_fit
ARMA12_fit <- sarima(x, p=1, d=0, q=2)
ARMA12_fit
ARMA21_fit <- sarima(x, p=2, d=0, q=1)
ARMA21_fit
ARMA22_fit <- sarima(x, p=2, d=0, q=2)
ARMA22_fit
原因很简单，就是随机成分。您拟合了一个 ARMA(2,1) 模型，但由于每一步中的随机变量，此随机因素可能确保 ARMA(2,1) 模型看起来像 ARMA(1,1) 模型。这可能会发生，在另一个种子中，AIC 和 BIC 可能 select ARIMA (1,2) 作为最佳模型拟合，甚至 acf 和 pacf 可能看起来像模型是 ARMA(1,2)。这只是由于错误项。
尝试使用不同的种子重复您的代码 1000 次，您会发现在大多数情况下，AIC 和 BIC 将选择 ARMA(2,1)，而 acf 和 pacf 看起来也像 ARMA(2,1)。希望它能回答这两个问题。
我有两个主要问题。 1. 为什么我的最佳适配与实际不符？基于 AIC 和 BIC 的最佳拟合是 AR1 模型是 ARMA(2,1)
- 为什么我的 ARMA(2,1) 的 ACF 和 PACF 看起来应该是基于图表图像的 ARMA(1,1)？ （ACF 和 PACF 有一个明显的滞后然后下降到 0）
这是我的公式
set.seed(170)
x <- arima.sim(model = list(ar = c(0.2, -0.1), ma = 0.1), n = 230)
ts.plot(x)
acf2(x)
这是用于查找问题 1 的 AIC 和 BIC 的编码。
AR1_fit <- sarima(x, p=1, d=0, q=0)
AR1_fit
AR2_fit <- sarima(x, p=2, d=0, q=0)
AR2_fit
MA1_fit <- sarima(x, p=0, d=0, q=1)
MA1_fit
MA2_fit <- sarima(x, p=0, d=0, q=2)
MA2_fit
ARMA11_fit <- sarima(x, p=1, d=0, q=1)
ARMA11_fit
ARMA12_fit <- sarima(x, p=1, d=0, q=2)
ARMA12_fit
ARMA21_fit <- sarima(x, p=2, d=0, q=1)
ARMA21_fit
ARMA22_fit <- sarima(x, p=2, d=0, q=2)
ARMA22_fit
原因很简单，就是随机成分。您拟合了一个 ARMA(2,1) 模型，但由于每一步中的随机变量，此随机因素可能确保 ARMA(2,1) 模型看起来像 ARMA(1,1) 模型。这可能会发生，在另一个种子中，AIC 和 BIC 可能 select ARIMA (1,2) 作为最佳模型拟合，甚至 acf 和 pacf 可能看起来像模型是 ARMA(1,2)。这只是由于错误项。 尝试使用不同的种子重复您的代码 1000 次，您会发现在大多数情况下，AIC 和 BIC 将选择 ARMA(2,1)，而 acf 和 pacf 看起来也像 ARMA(2,1)。希望它能回答这两个问题。