Kryteria informacyjne zastosowane do wyboru postaci modelu ARIMA:
ARMA(p,q): AR(p) tzn. A(L) ma stopień p, MA(q), tzn. B(L) ma stopień q.
T – liczba obserwacji w próbie.
Kryterium Akaike: (1974)
AIC(p,q) = ln 
Kryterium Schwarza: (1978)
BIC(p,q) = ln 
Kryterium Hannana (1980):
, gdzie stała c jest nie mniejsza niż 2.
Można w ten sam sposób skonstruować model ARFIMA:
FI – fractional integration – chodzi o ułamkowy stopień integracji.
Przyrosty zdefiniowane dla dowolnej rzeczywistej wartości d, tzw. przyrosty ułamkowe.
d wyznaczamy np. metodą Geweke i Porter-Hudak w gretl, różnymi metodami w Stacie itp.
W Stacie jest procedura wyznaczania tzn. z danego szeregu yt tworzymy szereg stacjonarny. Dalej jw. tzn. budujemy ARMA dla .
Analiza autokorelacji przy konstrukcji modelu ARMA:
Współczynniki autokorelacji dla obserwacji szeregu lub dla reszt modelu:
-- liczymy tak jak współczynnik korelacji z próby;.
Poziom istotności: wartość krytyczna T^(-1) lub 1,96 * T^(-1).
Box i Pierce (1970):
Jeśli szereg stacjonarny został prawidłowo opisany przez model ARMA(p,q), to statystyka
ma asymptotyczny rozkład .
Ljung i Box (1978):
Ang. Portmanteau statistics:
jeśli obliczona wartość statystyki Q jest większa niż wartość krytyczna, model ARMA(p,q) nie jest właściwie dobrany.
Wygładzanie wykładnicze:
Szereg wygładzany y, szereg przekształcony x, wygląd szeregu wygładzonego zależy od parametru:
Równanie rekurencyjne:
Model Browna (1963): dodatkowe równanie aktualizujące trend:
Model Holta-Wintersa (1960):
Rekurencyjne równanie ma postać:
Pomocnicze równanie trendu ma postać:
Źródło: Terence C. Mills, Time series techniques for economists,
Cambridge University Press, Cambridge,1990.
Abraham? Ledolter – książka o analizie szeregów czasowych z zastosowaniami do analiz biznesowych -- m.in. wskazówki co do wyboru postaci modeli wygładzania wykładniczego.
|