知识卡片
用信息准则比较模型
为什么要惩罚:arima() 用最大似然估计,系数取值使对数似然最大。但增加任何一项都会让对数似然不降,光看它必然选中最复杂的模型。AIC、AICc、BIC 在对数似然上减去随参数个数增长的惩罚:AICc 是对小样本的校正,BIC 惩罚更重、更偏向简约。三者都是越小越好。
实例:汽油产量五个候选中,(0,1,1)×(1,0,0)12 的 AIC 为 1472.43、AICc 为 1472.53、BIC 为 1482.86,三项全部最低,与 ACF/PACF 的定阶结论一致。信息准则在这里充当独立复核,而不是替代读图。
残差诊断:拟合后残差应表现为均值近 0、方差恒定的白噪声——ACF 与 PACF 无越界点,直方图与 Q-Q 图接近正态。若仍有结构,说明阶数不够;若正态或等方差假设不成立,先对原序列做对数变换再拟合。
边界:95% 界外偶发的点若都落在大 lag 上,通常归因于巧合,追进去就是过拟合;模型通过检验也只适合短期外推,遇到火灾、政策或需求结构变化会失效,且不含外生变量,给不出因果解释。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第8章 高级分析理论与方法:时间序列分析 · 查看原书依据
基于logL的值,R输出提供了几个度量,可以用来比较两个拟合模型的适当性。这些度量如下: AIC(Akaike 信息准则); AICc(矫正后的Akaike 信息准则); BIC(Bayesian信息准则)。 因为这些准则基于模型中包含的参数数量实施了惩罚,那么首选的拟合模型应该有最小的AIC、AICC或BIC值。
参考来源
- 位置:《数据科学与大数据分析 数据的发现 分析 可视化与表示》第8章 高级分析理论与方法:时间序列分析(源文件:extracted/数据科学与大数据分析 数据的发现 分析 可视化与表示/_epub-src/text/part0018_split_002.html)
- 结论依据:依据 8.2.5 中最大似然估计与 logL 的说明、AIC/AICc/BIC 表 8.1 的比较结果,以及残差正态性与预测部分;边界部分依据 8.2.6。
- 原始内容:基于logL的值,R输出提供了几个度量,可以用来比较两个拟合模型的适当性。这些度量如下: AIC(Akaike 信息准则); AICc(矫正后的Akaike 信息准则); BIC(Bayesian信息准则)。 因为这些准则基于模型中包含的参数数量实施了惩罚,那么首选的拟合模型应该有最小的AIC、AICC或BIC值。