平稳序列的预测和拟合之模型优化

目录

前提

准则

1、AIC准则

2、SBC （BIC)准则

优化

小结

---

前提

问题提出:模型通过检验，说明是有效的，但有效的模型不唯一。

下面我们用一个例子来解释一下：

例4-7:试对某次化学反应的70个过程数据序列进行拟合。

d<-read.table("D:/桌面/4_7.csv",sep=",",header=T)
x<-ts(d$x)
plot(x) #时序图
adf.test(x) #平稳性检验
for(i in 1:2)print(Box.test(x,lag=6*i)) #白噪声检验
acf(x) #自相关图
pacf(x）#偏自相关图

返回：我只把结果给大家放在这里，就不一 一给大家解释了，如果不懂，可以看看之前的文章。

接下来我们对上面两个模型进行拟合：

对MA(2)拟合：

fit1<-arima(x,order=c(0,0,2))
fit1
#模型显著性检验
ts.diag(fit1)
#参数显著性检验
t<-abs(fit1$coef)/sqrt(diag(fit1$var.coef))
t
pt(t,length(x)-length(fit1$coef),lower.tail=F)

返回：

对AR(1)拟合：

fit2<-arima(x,order=c(1,0,0))
fit2
#模型显著性检验
ts.diag(fit2)
#参数显著性检验
t<-abs(fit2$coef)/sqrt(diag(fit2$var.coef))
t
pt(t,length(x)-length(fit2$coef),lower.tail=F)

返回：

如图，结果显著

准则

1、AIC准则

最小信息量准则（Akaike Information Criterion)
指导思想:似然函数值越大越好﹔未知参数的个数越少越好 

缺陷:在样本容量趋于无穷大时，由AIc准则选择的模型不收敛于真实模型

2、SBC （BIC)准则

Akaike: BIC
Schwartz根据Bayes理论: SBC 

AIC或SBC达到最小的模型为相对最优模型。

优化

接下来我们对上述建立的模型进行比较

查看一下上面模型的AIC和BIC

data.frame(AIC(fit1),AIC(fit2),BIC(fit1),BIC(fit2))

返回：

如图可知，AR(1)模型优于MA(2)模型

R中，forecast程序包提供了auto.arima函数，可自动定阶

程序包的安装教程可参考：传送门
对上面例题进行自动定阶

默认是 aic

library(forecast) #调用程序包
auto.arima(x) #自动定阶

返回：

接下来，我们再对模型进行检验:

fit3<-arima(x,order=c(2,0,0))
fit3
#模型显著性检验
ts.diag(fit3)
#参数显著性检验
t<-abs(fit3$coef)/sqrt(diag(fit3$var.coef))
t
pt(t,length(x)-length(fit3$coef),lower.tail=F)

返回：

再用 BIC 进行自动定阶

auto.arima(x,ic="bic") #自动定阶

返回：

自动定阶，只是提供一个参考，不是绝对的，还需待定而估哦！！！

小结

1.AIC准则

2.SBC （BIC)准则

AIC或SBC达到最小的模型为相对最优模型。