R:ARIMA模型与残差之间的自相关
在文章中: 利用谷歌趋势评估全球COPD意识 我发现了以下统计分析的描述: 为了进行统计分析,我们将数据细分为月份(季节性成分)和季度,其定义如下:第一季度(第一季度)=1月至3月,第二季度(第二季度)=4月至6月,第三季度(第三季度)=7月至9月,第四季度(第四季度)=10月至12月。 利用黄土对时间序列的季节分解(局部多项式回归拟合)进行相关分析,将时间序列分解为季节部分、趋势和不规则成分建立了考虑残差之间自相关的广义最小二乘模型,以进一步评估在季节性成分调整后趋势是否随时间显著。残差的相关结构是通过使用AIC准则自动选择ARIMA模型参数推导出来的 数据表示为系数(β)、标准误差和p值 我完全不明白加粗的部分。我准备了一些代码,用于从时间序列数据准备ARIMA模型。但是,我不知道自相关的计算过程 让我们看一些代码:R:ARIMA模型与残差之间的自相关,r,statistics,time-series,arima,autocorrelation,R,Statistics,Time Series,Arima,Autocorrelation,在文章中: 利用谷歌趋势评估全球COPD意识 我发现了以下统计分析的描述: 为了进行统计分析,我们将数据细分为月份(季节性成分)和季度,其定义如下:第一季度(第一季度)=1月至3月,第二季度(第二季度)=4月至6月,第三季度(第三季度)=7月至9月,第四季度(第四季度)=10月至12月。 利用黄土对时间序列的季节分解(局部多项式回归拟合)进行相关分析,将时间序列分解为季节部分、趋势和不规则成分建立了考虑残差之间自相关的广义最小二乘模型,以进一步评估在季节性成分调整后趋势是否随时间显著。残差的相
library(forecast)
data(AirPassengers)
model_arima<- auto.arima(y=AirPassengers,seasonal=TRUE,stepwise=TRUE)
model_arima
Series: AirPassengers
ARIMA(2,1,1)(0,1,0)[12]
Coefficients:
ar1 ar2 ma1
0.5960 0.2143 -0.9819
s.e. 0.0888 0.0880 0.0292
sigma^2 estimated as 132.3: log likelihood=-504.92
AIC=1017.85 AICc=1018.17 BIC=1029.35
库(预测)
数据(航空乘客)
模型ARIMA对序列进行分解后,作者对残差进行ARIMA。显然,在您的代码中,auto.arima
通过最小AIC自动选择最佳拟合,这是问题中引用的粗体文本部分描述的方法。您能否提供一个关于残差和结果的带有arima的代码示例?从d开始,我运行以下代码:库(预测)数据(航空乘客)这是你必须了解自己的东西,关于代码的问题也是如此,而不是统计分析。在分解系列后,作者对残差运行ARIMA。显然,在你的代码中,auto。ARIMA
通过最小AIC自动选择最佳拟合,这是在问题。你能提供一个关于残差和结果的ARIMA代码示例吗?从d开始,我运行以下代码:library(forecast)data(AirPassengers)d这是你必须了解自己的东西,关于代码的问题也是如此,而不是统计分析。