时间序列分析之四:模型定阶
来源:互联网 发布:unity3d spine2d插件 编辑:程序博客网 时间:2024/06/08 15:51
模型定阶方法主要有偏相关定阶法、白噪声检验定阶法、F检验定阶法、准则函数定阶法、信息熵定阶法等。
(1)偏相关定阶法
此定阶法主要是利用特定模型的自相关函数或偏相关函数的截断和拖尾性质来确定合适的模型和阶数,粗略定阶。核心是自相关函数和偏相关函数的计算。
(2)白噪声检验
平稳序列模型可以看成是将白噪声转换为描述的序列。故衡量模型是否适合,就看拟合的结果的误差是否服从白噪声,如果不是白噪声说明数据中还有未挖掘的信息。白噪声检验可以通过自相关函数特点来直观看,或者通过假设检验来做;也可以构造相关函数的平方和作为统计量服从卡方分布,再根据显著性水平得到是否拒绝噪声为白的假设。
(3)F检验
检验参数是否显著不为0,即显著性检验,构造残差平方和,形成F统计量。(类似因素分析)
(4)准则函数定阶
定义一个准则,衡量模型对数据的拟合接近程度与参数个数,寻找参数使得准则函数最小。包括最小预测误差准则:准则函数选为最终预报误差。最小信息准则AIC:准则函数选为似然函数和参数个数之和。BIC:构造修正的准则函数
(5)信息熵定阶法
利用相关熵衡量残差序列个分量之间相关程度的一个度量,利用信息熵的概念克服了假设检验的主观性。
- 时间序列分析之四:模型定阶
- 时间序列分析之二:基本模型
- 时间序列分析之ARIMA模型预测
- 时间序列分析这件小事(四)--AR模型
- 时间序列分析--ARIMA模型
- 时间序列分析之 ARIMA 模型的JAVA实现
- R语言时间序列分析之ARIMA模型预测
- 时间序列分析之ARIMA模型预测__R篇
- R语言 时间序列分析之ARIMA模型预测
- 时间序列分析之AR模型、MA模型和ARMA模型(二)
- 时间序列模型之灰度模型
- 时间序列模型分析的一般步骤
- 金融时间序列分析:2. 数学分析模型
- Python时间序列分析--从线性模型到GARCH模型
- 时间序列模型之相空间重构
- 时间序列之AR(自回归模型)
- R学习日记——时间序列分析之ARIMA模型预测
- 金融时间序列分析:11. 模型分析小结
- XMPP SI FileTransfer服务传输文件过程详解
- 时间序列分析之三:参数估计
- Android使用Animation技巧讲解
- 一些杂七杂八的问题
- C,C++可变长参数实现
- 时间序列分析之四:模型定阶
- 回调设计模式
- 时间序列分析之五:几种建模方法
- 堆排序的本质
- 时间序列分析之六:应用
- http://ranfeng0610.blog.163.com/blog/static/185708284201251524110617/
- 斜杠与反斜杠
- ZOJ 3736 Pocket Cube
- ASM 启动报错 ORA-27300, ORA-27301 and ORA-27302: failure occurred at: sskgpsemsper 解决方法