AR- vs. MA-modeller
Som du har sett är autoregressiva (AR) modeller och enkla glidande medelvärden (MA) två användbara metoder för att modellera tidsserier. Men hur avgör du i praktiken om en AR- eller MA-modell passar bäst?
För att bedöma modellanpassning kan du mäta Akaikes informationskriterium (AIC) och Bayesianskt informationskriterium (BIC) för varje modell. Matematiken bakom AIC och BIC ligger utanför den här kursens omfång, men grundtanken är att dessa indikatorer straffar modeller med fler skattade parametrar för att undvika överanpassning – lägre värden är att föredra. Med allt annat lika anses en modell som ger ett lägre AIC eller BIC vara ett bättre val.
För att beräkna dessa indikatorer kan du använda kommandona AIC() och BIC(), som båda tar ett enda argument där du anger modellen i fråga.
I den här övningen återvänder du till datasetet Nile och de AR- och MA-modeller du anpassade till dessa data. Modellerna och deras prediktioner för 1970-talet (AR_fit) och (MA_fit) visas i diagrammet till höger.
Den här övningen är en del av kursen
Tidsserieanalys i R
Övningsinstruktioner
- Som ett första steg i jämförelsen av modellerna använder du
cor()för att mäta korrelationen mellanAR_fitochMA_fit. - Använd två anrop till
AIC()för att beräkna AIC förARrespektiveMA. - Använd två anrop till
BIC()för att beräkna BIC förARrespektiveMA.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Find correlation between AR_fit and MA_fit
cor(___, ___)
# Find AIC of AR
AIC(___)
# Find AIC of MA
# Find BIC of AR
BIC(___)
# Find BIC of MA