โมเดล AR กับ MA

อย่างที่เห็นกันไปแล้ว โมเดล autoregressive (AR) และ simple moving average (MA) เป็นสองแนวทางที่มีประโยชน์สำหรับการสร้างแบบจำลองอนุกรมเวลา แต่จะรู้ได้อย่างไรว่าควรใช้โมเดล AR หรือ MA ในทางปฏิบัติ?

เพื่อประเมินความเหมาะสมของโมเดล สามารถวัดค่า Akaike information criterion (AIC) และ Bayesian information criterion (BIC) ของแต่ละโมเดลได้ แม้ว่าคณิตศาสตร์เบื้องหลัง AIC และ BIC จะเกินขอบเขตของคอร์สนี้ แต่สิ่งสำคัญที่ควรทราบคือตัวชี้วัดเหล่านี้จะลงโทษโมเดลที่มีพารามิเตอร์มากเกินไปเพื่อหลีกเลี่ยง overfitting และค่าที่น้อยกว่าถือว่าดีกว่า เมื่อปัจจัยอื่นเท่าเทียมกัน โมเดลที่ให้ค่า AIC หรือ BIC ต่ำกว่าถือว่าเหมาะสมกว่า

หากต้องการคำนวณค่าเหล่านี้ ใช้คำสั่ง AIC() และ BIC() ซึ่งทั้งสองต้องการอาร์กิวเมนต์เดียวเพื่อระบุโมเดลที่ต้องการ

ในแบบฝึกหัดนี้ จะกลับมาใช้ข้อมูล Nile พร้อมกับโมเดล AR และ MA ที่ฝึกไว้ก่อนหน้า โดยโมเดลเหล่านี้และค่าพยากรณ์สำหรับช่วงทศวรรษ 1970 (AR_fit) และ (MA_fit) แสดงอยู่ในกราฟทางขวา

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การวิเคราะห์อนุกรมเวลาใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

เริ่มต้นด้วยการใช้ cor() เพื่อวัดค่าสหสัมพันธ์ระหว่าง AR_fit และ MA_fit
ใช้ AIC() สองครั้งเพื่อคำนวณค่า AIC ของโมเดล AR และ MA ตามลำดับ
ใช้ BIC() สองครั้งเพื่อคำนวณค่า BIC ของโมเดล AR และ MA ตามลำดับ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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

แก้ไขและรันโค้ด