此示例演示如何使用贝叶斯信息准则(BIC)选择度P和Q一个ARMA模型。用不同的方法估计几个模型P和Q值。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艾比克
计算BIC拟合度量(因复杂性而受到惩罚)。
模拟具有100个观测值的ARMA(2,1)时间序列。
Mdl0=arima(“常数”,0.2,“AR”,{0.75,-0.4},...“妈妈”,0.7,“差异”,0.1); rng(5)Y=模拟(MDL0100);图(Y)xlim([0100])标题(“模拟ARMA(2,1)系列”)
绘制模拟数据的样本自相关函数(ACF)和偏自相关函数(PACF)。
图子地块(2,1,1)自相关(Y)子地块(2,1,2)地块(Y)
样品ACF和PACF的衰减相对较慢。这与ARMA模型是一致的。不能仅通过查看ACF和PACF来选择ARMA滞后,但似乎只需要四个AR或MA项。
要确定最佳滞后,请使用不同的滞后选择拟合多个模型。在这里,适合所有的组合P=1、…、4和Q=1,…,4(共16个型号)。存储对数似然目标函数和每个拟合模型的系数数。
LogL=零(4,4);%初始化PQ=零(4,4);对于p=1:4对于q=1:4 Mdl=arima(p,0,q);[EstMdl,~,LogL(p,q)]=估计值(Mdl,Y,“显示”,“关”); PQ(p,q)=p+q;终止终止
计算每个拟合模型的BIC。模型中的参数数量为P+Q+1(对于AR和MA系数以及常数项)。数据集中的观测数量为100。
logL=logL(:);pq=pq(:);[~,bic]=aicbic(logL,pq+1100);BIC=重塑(BIC,4,4)
比克=4×4102.4215 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阶(P)这些列对应于MA学位(Q).最小的值是最好的。
minBIC=min(BIC,[],“全部”)
minBIC=89.1130
[minP,minQ]=find(minBIC==BIC)
minP=2
minQ=1
最小的BIC值为89.1130
在(2,1)位置。这对应于ARMA(2,1)模型,该模型与生成数据的模型相匹配。