1. Nauka
    2. /
  2. Kursy
    3. /
  3. Analiza szeregów czasowych w R
Connected

ćwiczenie

Modele AR i MA

Jak już wiesz, autoregresja (AR) i prosty model średniej ruchomej (MA) to dwa przydatne podejścia do modelowania szeregów czasowych. Jak jednak w praktyce ocenić, który z nich lepiej pasuje do danych?

Do oceny dopasowania modelu możesz użyć kryterium informacyjnego Akaikego (AIC) oraz bayesowskiego kryterium informacyjnego (BIC). Szczegółowe obliczenia stojące za tymi wskaźnikami wykraczają poza zakres tego kursu, ale najważniejsza idea jest prosta: AIC i BIC karzą modele z większą liczbą szacowanych parametrów, by uniknąć przeuczenia – im niższa wartość, tym lepiej. Przy wszystkich czynnikach równych, model z niższym AIC lub BIC uznawany jest za lepiej dopasowany.

Do wyznaczenia tych wskaźników służą funkcje AIC() i BIC(), z których każda przyjmuje jeden argument – nazwę modelu.

W tym ćwiczeniu wrócimy do danych Nile oraz modeli AR i MA dopasowanych do tych danych. Modele te oraz ich prognozy dla lat 70. XX wieku (AR_fit i MA_fit) są przedstawione na wykresie po prawej stronie.

Instrukcje

100 XP
  • Jako pierwszy krok w porównaniu tych modeli użyj funkcji cor(), aby zmierzyć korelację między AR_fit a MA_fit.
  • Użyj dwóch wywołań AIC(), aby obliczyć AIC odpowiednio dla AR i MA.
  • Użyj dwóch wywołań BIC(), aby obliczyć BIC odpowiednio dla AR i MA.