Моделі AR проти MA

Як ви вже бачили, авторегресія (AR) і проста ковзна середня (MA) — це два корисні підходи до моделювання часових рядів. Але як визначити, чи більш доречною на практиці є модель AR чи MA?

Щоб оцінити придатність моделі, можна виміряти інформаційний критерій Акаіке (AIC) і байєсівський інформаційний критерій (BIC) для кожної моделі. Хоча математика, що лежить в основі AIC та BIC, виходить за межі цього курсу, для наших цілей головна ідея така: ці показники штрафують моделі з більшою кількістю оцінених параметрів, щоб уникнути перенавчання, і менші значення є кращими. За інших рівних умов модель, яка дає нижчий AIC або BIC, ніж інша, вважається кращою.

Для оцінювання цих показників можна використати команди AIC() і BIC(), кожна з яких потребує одного аргументу — моделі, яку ви перевіряєте.

У цій вправі ви повернетеся до даних Nile та моделей AR і MA, які ви підігнали до цих даних. Ці моделі та їхні прогнози для 1970-х років (AR_fit) і (MA_fit) зображені на графіку праворуч.

Ця вправа є частиною курсу

Аналіз часових рядів в R

Переглянути курс

Інструкції до вправи

Як перший крок порівняння моделей, скористайтеся cor() і виміряйте кореляцію між AR_fit та MA_fit.
Зробіть два виклики AIC(), щоб обчислити AIC для AR і MA відповідно.
Зробіть два виклики BIC(), щоб обчислити BIC для AR і MA відповідно.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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

Редагувати та запускати код