Bezieht sich auf das AutoRegressive Integrated Moving Average-Modell, das in der Zeitreihenmodellierung sowohl zur Datenbeschreibung als auch zur Prognose verwendet wird. Dieses Modell verallgemeinert das ARMA-Modell, indem es einen Begriff für die Differenzierung einfügt, der nützlich ist, um Trends zu entfernen und einige Arten von Nichtstationarität zu behandeln.
Ich möchte sehen, ob ich auf dem richtigen Weg bin, meine ACF- und PACF-Diagramme zu analysieren: Hintergrund: (Ref: Philip Hans Franses, 1998) Da sowohl ACF als auch PACF signifikante Werte aufweisen, gehe ich davon aus, dass ein ARMA-Modell meinen Anforderungen gerecht wird Der ACF kann...
Ich lese ein Buch über Zeitreihen und habe mich im folgenden Teil am Kopf gekratzt: Könnte mir jemand die Intuition erklären? Ich konnte es nicht aus diesem Text bekommen. Warum muss der Prozess umkehrbar sein? Was ist das große Ganze hier? Vielen Dank für jede Hilfe. Ich bin neu in diesem Bereich,...
Man betrachte einen mittelzentrierten AR (2) -Prozess wobei der Standardprozess für weißes Rauschen ist. Lassen Sie mich der Einfachheit halber und . Ich konzentriere mich auf die Wurzeln der Charakteristikgleichung und Die klassischen Bedingungen in den Lehrbüchern lauten wie folgt: Ich habe...
Wie kann in der Praxis beurteilt werden, ob ein AR (P) -Prozess stationär ist oder nicht? Wie ermittle ich die Reihenfolge für das AR- und
Ich werde das ARMA-GARCH-Modell für finanzielle Zeitreihen verwenden und habe mich gefragt, ob die Reihe stationär sein soll, bevor ich das Modell anwende. Ich weiß, dass das ARMA-Modell angewendet werden muss, aber ich bin mir nicht sicher, ob die Reihe stationär sein soll, da ich GARCH-Fehler...
Ich muss analytische Ausdrücke für die Autokovarianzfunktion γ(k)γ(k)\gamma\left(k\right) eines ARMA (2,1) -Prozesses ableiten , die bezeichnet werden durch: yt=ϕ1yt−1+ϕ2yt−2+θ1ϵt−1+ϵtyt=ϕ1yt−1+ϕ2yt−2+θ1ϵt−1+ϵty_t=\phi_1y_{t-1}+\phi_2y_{t-2}+\theta_1\epsilon_{t-1}+\epsilon_t Also, ich weiß...
In R (2.15.2) habe ich einmal eine ARIMA (3,1,3) auf eine Zeitreihe und einmal eine ARMA (3,3) auf die einmal differenzierten Zeitreihen gepasst. Die angepassten Parameter unterscheiden sich, was ich der Anpassungsmethode in ARIMA zuschrieb. Auch das Anpassen einer ARIMA (3,0,3) an dieselben Daten...
Aus Wikipedia gibt es eine Definition von Akaikes Informationskriterium (AIC) als , wobei die Anzahl der Parameter und die log-Wahrscheinlichkeit des Modells ist.AIC=2k−2logLAIC=2k−2logL AIC = 2k -2 \log L kkklogLlogL\log L Unsere Ökonometrie stellt jedoch an einer angesehenen Universität fest,...
Ich versuche zu verstehen, wie angepasste Werte für ARMA (p, q) -Modelle berechnet werden. Ich habe hier bereits eine Frage zu angepassten Werten von ARMA-Prozessen gefunden, konnte diese jedoch nicht verstehen. Wenn ich ein ARMA (1,1) -Modell habe, dh X.t= α1X.t - 1+ ϵt- - β1ϵt - 1X.t=α1X.t-...
Meine Frage ist, ob es gute Online-Materialien gibt, um dies zu lernen. Etwas, das die Dinge gut einführt, insbesondere ARMA-Modelle und die damit verbundene Mathematik. Bearbeiten: Ich suche etwas von der High-End-Bachelor-Ebene. So etwas wie in Brockwell und Davis ' Einführung in Zeitreihen und...
Welche Vorteile bietet es, ein ARMA-Modell als Zustandsraummodell auszudrücken und Prognosen mit einem Kalman-Filter durchzuführen? Diese Methode wird beispielsweise bei der SARIMAX-Implementierung von Python-Statistikmodellen
Ich betrachte extrem nichtlineare Daten, für die die ARMA / ARIMA-Modelle nicht gut funktionieren. Ich sehe jedoch eine gewisse Autokorrelation und vermute, bessere Ergebnisse für die nichtlineare Autokorrelation zu erzielen. 1 / Gibt es ein Äquivalent des PACF für die Rangkorrelation? (in R?) 2...
Ich habe einen täglichen Wetterdatensatz, der wenig überraschend einen sehr starken saisonalen Effekt hat. Ich habe ein ARIMA-Modell mit der Funktion auto.arima aus dem Prognosepaket an diesen Datensatz angepasst. Zu meiner Überraschung wendet die Funktion keine saisonalen Operationen an -...