Хотите найти лучшую модель ARIMA или ARFIMA для ваших данных? Сравните потенциальные модели с помощью AIC, BIC и HQIC. Используйте новые команды arimasoc и arfimasoc для выбора оптимального числа членов авторегрессии и скользящего среднего.
Исследователи, использующие модели авторегрессии со скользящим средним (ARMA), должны решить, какое количество лагов следует включить для параметров авторегрессии и скользящего среднего в свои модели. Выбор максимального числа лагов часто определяется информационными критериями, которые уравновешивают пригодность модели и ее упрощенность.
arimasoc и arfimasoc помогают в выборе модели, подбирая набор моделей авторегрессионного интегрированного скользящего среднего (ARIMA) или авторегрессионного дробно интегрированного скользящего среднего (ARFIMA) и вычисляя информационные критерии для каждой модели. arimasoc и arfimasoc вычисляют информационный критерий Акаика (AIC), байесовский информационный критерий (BIC) и информационный критерий Ханнана-Куинна (HQIC). Выбирается модель с наименьшим значением информационного критерия.
Let’s see it work
We would like to fit an ARMA model for the output gap. We use arimasoc to fit candidate models with a maximum autoregressive lag of 4 and a maximum moving average lag of 3.
В выходной таблице представлена информация о каждой модели, включая максимизированное логарифмическое правдоподобие, количество оцениваемых параметров, а также AIC, BIC и HQIC.
Под выходной таблицей указана выбранная модель по каждому критерию. Лог-правдоподобие максимизируется для модели с наибольшим количеством параметров — ARMA(4,3). AIC, BIC и HQIC выбирают более простую модель ARMA(3,0) для разрыва выпуска. Теперь мы можем подогнать выбранную модель
. arima ogap, arima(3,0,0) (output omitted)
и переходите к исследованию предсказаний модели, прогнозов и т.д.
Подгонять модель ARFIMA вместо модели ARIMA? Вместо того чтобы набирать
. arimasoc y, maxvar(4) maxma(3)
вы набираете
. arfimasoc y, maxvar(4) maxma(3)