Различных способов задания модели же АР (или М), чтобы быть оценены с помощью функции arima()
в пакете forecast
в R
урожайности различных BIC (байесовский информационный критерий) значениях.АИКА, BIC значение ARIMA с ограниченными коэффициентами в R
Почему это происходит?
Рассмотрим две модели:
(1) АР (1)
(2) АР (2) с коэффициентом на AR2 ограничивается нулевой
На бумаге две модели одинаковы. Однако их оценка может отличаться (?). Не уверены, почему они дают равные оценки коэффициентов, равные значения логарифмического правдоподобия и равные значения AIC, но разные значения BIC.
Поскольку значения BIC различаются, а вероятность равна равным, а значения AIC равны, количество наблюдений, используемых в оценке, должно быть разным между двумя моделями. Однако подразумеваемая разница в количестве наблюдений не 1 или 2, а гораздо больше.
Это оправдано, или это ошибка?
Интересно, какая разница и как рассчитывается BIC в случае (2). Я хотел бы иметь возможность воспроизводить результаты, поэтому мне нужно понять, как все работает здесь.
Ниже приводится воспроизводимый пример. Запустив его в R, посмотрите на напечатанный BIC, а также AICc, значения - они отличаются между моделями.
library(forecast)
T=1000; seed=1; set.seed(seed); x=rnorm(T)
model1=arima(x,order=c(1,0,0) ,method="CSS-ML",transform.pars=FALSE)
model2=arima(x,order=c(2,0,0),fixed=c(NA,0,NA),method="CSS-ML",transform.pars=FALSE)
print(model1)
print(model2)
То же самое относится и к АР (р) и МА моделей (Q), которые я не обсуждать явно держать его просто.
Было бы здорово, если бы кто-нибудь мог объяснить, почему это происходит. Благодаря!