时间序列模型的一个常见假设是高斯创新分布。在拟合模型后,可以推断残差并检查其正态性。如果高斯创新假设成立,残差看起来应该近似正态分布。
评估正常程度的一些图如下:
柱状图
箱线图
Quantile-quantile情节
核密度估计
最后三个图在统计学和机器学习工具箱™中。
如果你发现你的标准化残差与标准正态分布相比有多余的峰度(更胖的尾巴),你可以考虑使用学生分布t创新分布。
在时间序列模型中,假设创新过程是不相关的。在拟合模型之后,您可以推断残差并检查它们是否存在未建模的自相关性。
作为一种非正式的检查,您可以绘制样本自相关函数(ACF)和部分自相关函数(PACF)。如果任一图显示残差中存在显著的自相关性,则可以考虑修改模型,以包括额外的自回归或移动平均项。
更正式地说,可以对残差级数进行Ljung-Box q检验。这检验了联合自相关到滞后的零假设米,相反,至少有一个非零自相关。可以在以下几个值上进行测试米.q测试的自由度通常是米.然而,为了测试一个残差序列,你应该使用自由度米- - - - - -p- - - - - -问,在那里p和问分别为拟合模型中AR和MA系数的个数。
白噪声创新过程具有恒定的方差。在拟合一个模型之后,你可以推断出残差并检查它们的异方差(非常数方差)。
作为一种非正式的检查,您可以绘制平方残差系列的样本ACF和PACF。如果任一图显示显著的自相关性,您可以考虑修改您的模型,以包含条件方差过程。
更正式地说,您可以对残差序列进行恩格尔ARCH测试。这就检验了无ARCH效应的原假设与替代ARCH模型k滞后。