理解auto.arima导致(0,0,0)顺序
我想对以下时间序列进行ARIMA过程拟合: 时间序列是平稳的,因为零假设被拒绝:理解auto.arima导致(0,0,0)顺序,r,arima,R,Arima,我想对以下时间序列进行ARIMA过程拟合: 时间序列是平稳的,因为零假设被拒绝: > adf.test(g_train) Augmented Dickey-Fuller Test data: g_train Dickey-Fuller = -5.5232, Lag order = 17, p-value = 0.01 alternative hypothesis: stationary 当我使用auto.ARIMA训练ARIMA过程时,我得到以下结果: > auto
> adf.test(g_train)
Augmented Dickey-Fuller Test
data: g_train
Dickey-Fuller = -5.5232, Lag order = 17, p-value = 0.01
alternative hypothesis: stationary
当我使用auto.ARIMA训练ARIMA过程时,我得到以下结果:
> auto.arima(g_train)
Series: g_train
ARIMA(0,0,0) with non-zero mean
Coefficients:
mean
142.6338
s.e. 0.4700
sigma^2 estimated as 1273: log likelihood=-28761.11
AIC=57526.22 AICc=57526.23 BIC=57539.54
为什么它估计订单为0,0,0?如何解释结果
编辑:越来越奇怪了。似乎auto.arima的数据太多,因此无法计算合适的模型
我总共有5760个值,如果我只传递数组的一部分,auto.arima就会工作。数据似乎没有任何最大长度
auto.arima(g_train[1000:length(g_train)])
Series: g_train[1000:length(g_train)]
ARIMA(4,1,3)
Coefficients:
ar1 ar2 ar3 ar4 ma1 ma2 ma3
2.5736 -1.9617 0.1803 0.2073 -1.4577 1.0505 -0.2284
s.e. 0.0437 0.1133 0.0985 0.0290 0.0437 0.0561 0.0371
sigma^2 estimated as 7.925e-05: log likelihood=16008.3
AIC=-32000.6 AICc=-32000.57 BIC=-31948.86
编辑2:这里是我的数据的Acf图。我们可以清楚地看到季节性趋势。也许问题就出在那里
使用auto.arima并指定序列的平均值是否为0
library(forecast)
auto.arima(x, allowmean=FALSE, allowdrift=FALSE, trace=TRUE)
在这种情况下,x是时间序列数据这意味着数据是白噪声。请参阅以获得一些解释。从图中可以清楚地看出,数据不是白噪声。知道为什么会这样吗?之所以会这样,是因为auto.arima函数发现ARIMA0,0,0模型是最好的。你确定你的数据不是白噪声吗?在您的data Box.test上尝试Ljung Box测试,并查看自动相关性forecast::Acf,然后再排除它。如果你仍然相信你的数据不是白噪声,也许你可以尝试手动训练你的Arima模型。有关auto.arima如何工作以及如何手动训练的说明,请参阅。以下是Ljung Box测试的结果:X平方=5757.7,df=1,p值<2.2e-16。据我所知,数据中确实存在相关性。我在问题中加入了Acf的情节。你明白发生了什么吗?我也有类似的情况