此示例演示如何使用贝叶斯信息准则(BIC)选择度P.和问:一个ARMA模型。用不同的参数估计多个模型P.和问:价值观对于每个估计模型,输出对数似然目标函数值。将对数似然值输入到AICBIC.
计算FIT的BIC测量(惩罚复杂性)。
使用100个观察模拟ARMA(2,1)时间序列。
mdl0 = Arima(“常数”,0.2,'AR',{0.75,-0.4},......'嘛',0.7,'方差',0.1);RNG(5)y =模拟(MDL0,100);图绘图(y)xlim([0,100])标题('模拟ARMA(2,1)系列')
为模拟数据绘制样本自相关函数(ACF)和部分自相关函数(PACF)。
图形子图(2,1,1)AutoCorR(Y)子图(2,1,2)ParcorR(Y)
样品ACF和PACF衰减均相对缓慢。这与ARMA模型一致。无法通过查看ACF和PACF来仅选择ARMA滞后,但似乎不超过四个AR或MA条款。
要确定最佳滞后,请使用不同的滞后选择拟合多个模型P.=1、…、4和问:= 1,......,4(共16个型号)。存储Loglikeliach目标函数和每个拟合模型的系数数。
logl = zeros(4,4);%初始化PQ=零(4,4);为了p=1:4为了q=1:4 Mdl=arima(p,0,q);[EstMdl,~,LogL(p,q)]=估计值(Mdl,Y,“显示”那'离开');PQ(p,q)= p + q;结尾结尾
计算每个拟合模型的BIC。模型中的参数数量是P.+问:+ 1(对于AR和MA系数,恒定术语)。数据集中的观察数为100。
logl = logl(:);pq = pq(:);[〜,bic] = aicbic(logl,pq + 1,100);BIC = REPAPE(BIC,4,4)
BIC =4×4.102.4215 96.2339 100.8005 100.3440 89.1130 93.4895 97.1530 94.0615 93.6770 93.2838 100.2190 103.4779 98.2820 102.0442 100.3024 107.5245
在输出BIC矩阵中,行对应于AR度(P.),列对应于MA度(问:)。最小的价值是最好的。
minbic = min(bic,[],'全部')
MINBIC = 89.1130.
[minP,minQ]=find(minBIC==BIC)
MINP = 2.
Minq = 1
最小的BIC值是89.1130.
在(2,1)的位置。这对应于ARMA(2,1)模型,其匹配生成数据的模型。