平稳序列的预测和拟合之模型检验
目录
1.模型的显著性检验
R语言实现
例题
2.参数显著性检验
例题
小结
1.模型的显著性检验
检验模型的有效性(对信息的提取是否充分)
判定原则:
一个好的拟合模型应该能够提取几乎所有的样本相关信息,即残差序列应该为白噪声序列。反之,如果残差序列为非白噪声序列,那就意味着残差序列中还残留着相关信息未被提取,这就说明拟合模型不够有效
原假设:残差序列为白噪声序列
备择假设:残差序列为非白噪声序列
LB检验统计量:
若拒绝原假设,说明拟合模型不显著;如不能拒绝原假设,认为拟合模型显著有效。
R语言实现
1、用Box.test()对残差序列进行白噪声检验
2、用aTSA程序包里的ts.diag()函数
例题
例4-1续(2)检验1900-1998年全球7级以上地震发生次数序列拟合模型的显著性(α =0.05)
代码如下:
a<-read.table("D:/桌面/4_1.csv",sep=",",header=T)
x<-ts(a$number,start=1900)
plot(x) #时序图
library(aTSA) #aTSA导入程序包
adf.test(x) #单位根检验
for(i in 1:2)print(Box.test(x,lag=6*i))
acf(x)
pacf(x)
#参数估计
fit1=arima(x,order=c(1,0,0),method="ML")
fit1
#模型显著性检验
ts.diag(fit1)
除了最后一句,其他的都在上一篇进行了介绍,在这里就不再介绍了。
图1是残差序列的自相关图,图2是残差序列的偏自相关图,(重点)图3白噪声检验的p值,图4是正态性检验。
如图,可知模型拟合显著有效。
2.参数显著性检验
检验每一个未知参数是否显著非零。删除不显著参数使模型结构最精简
假设条件:
检验统计量:
p值小于a,拒绝原假设,认为参数显著。
R语言arima函数输出不包含参数检验
t值计算:参数估计值除以参数标准差
调用t分布p值函数pt获取p值
例题
例4-1续(3)检验1900-1998年全球7级以上地震发生次数序列拟合模型参数的显著性(a = 0.05)
代码如下:续上面
#参数显著性检验#第一种方法
t<-0.5432/0.0840
t
pt(t,length(x)-length(fit1$coef),lower.tail=F)
#第二种方法
t<-abs(fit1$coef)/sqrt(diag(fit1$var.coef))
t
pt(t,length(x)-length(fit1$coef),lower.tail=F)
返回:
如图,检验p值都小于0.05,所以模型拟合参数显著有效。
下面两道例题就请大家自己分析吧,代码已附上
例4-2续(1)确定美国科罗拉多州某一加油站连续57天盈亏序列模型的显著性检验(α =0.05)
b<-read.table("D:/桌面/4_2.csv",sep=",",header=T)
y<-ts(b$overshort)
plot(y) #时序图
#library(aTSA) #aTSA导入程序包
adf.test(y) #单位根检验
for(i in 1:2)print(Box.test(y,lag=6*i))
acf(y)
pacf(y)
#参数估计
fit2=arima(x,order=c(0,0,1),method="CSS")
fit2
#模型显著性检验
ts.diag(fit2)
#参数显著性检验
t<-abs(fit2$coef)/sqrt(diag(fit2$var.coef))
t
pt(t,length(y)-length(fit2$coef),lower.tail=F)
例4-3续(1)确定1880-1985全球气表平均温度改变值序列模型的显著性检验(α =0.05)
c<-read.table("D:/桌面/4_3.csv",sep=",",header=T)
z<-ts(c$change,start=1880)
plot(z) #时序图
difz<-diff(z) #计算差分
plot(difz) #差分时序图
#library(aTSA) #aTSA导入程序包
adf.test(difz) #单位根检验
for(i in 1:2)print(Box.test(difz,lag=6*i))
acf(difz)
pacf(difz)
#参数估计
fit3<-arima(difz,order=c(1,0,1))
fit3
#模型显著性检验
ts.diag(fit3)
#参数显著性检验
t<-abs(fit3$coef)/sqrt(diag(fit3$var.coef))
t
pt(t,length(difz)-length(fit3$coef),lower.tail=F)
小结
1、模型的显著性检验
检验残差序列是否为白噪声序列可以调用aTSA程序包里的ts.diag函数
2、参数显著性检验
检验每一个未知参数是否显著非零。t检验计算t值,用pt函数求p值。
平稳序列的预测和拟合之模型检验相关推荐
- 平稳序列的预测和拟合之单位根检验
目录 1.建模步骤 2.单位根检验 2.1 DF检验(以AR(1)模型为例) DF检验的等价表达 DF检验的三种类型 R语言单位根检验: 2.2 ADF检验 ADF检验的三种类型 小结 1.建模步骤 ...
- 平稳序列的预测和拟合之模型优化
目录 前提 准则 1.AIC准则 2.SBC (BIC)准则 优化 小结 前提 问题提出:模型通过检验,说明是有效的,但有效的模型不唯一. 下面我们用一个例子来解释一下: 例4-7:试对某次化学反应的 ...
- 平稳序列的预测和拟合之模型识别
目录 1.计算样本相关系数和偏自相关系数 2.模型识别 模型定阶的困难 样本相关系数的近似分布及模型定阶经验方法 例题: 2.参数估计 常用估计方法: 1.矩估计 2.极大似然估计 3.最小二乘估计 ...
- 通过R语言实现平稳时间序列的建模--基础(ARMA模型)
目录 1. 建模流程 2. 序列平稳性检验和纯随机性检验 2.1 图检验 2.2 单位根检验 3. 模型选择 4. 参数估计 5. 模型检验 5.1 模型显著性检验 5.2 参数显著性检验 6. ...
- 平稳序列的拟合和预测之序列的预测
目录 1.线性预测函数 2.预测方差最小原则 3.线性最小方差预测的性质 AR(p)序列的预测 例题 R语言预测举例 MA(q)序列的预测 例题 ARMA(p,q)序列预测 例题 小结 序列只有为非白 ...
- ARIMA模型——非平稳序列的随机性分析
一.拟合ARIMA模型 ARIMA是先运用差分运算得到平稳序列,再对平稳序列建立ARMA模型.差分运算可用diff函数完成,命令格式为: diff(x,lag=,differences=) 其中:x: ...
- R语言使用lm函数拟合线性回归模型:使用predict函数和训练好的模型进行预测推理、使用ggplot2可视化预测值和实际值的曲线进行对比分析
R语言使用lm函数拟合线性回归模型:使用predict函数和训练好的模型进行预测推理.使用ggplot2可视化预测值和实际值的曲线进行对比分析 目录
- 应用预测建模第四章过度拟合与模型调优习题4.4【分层随机抽样、小样本的模型评估方案】
<应用预测建模>Applied Predictive Modeling (2013) by Max Kuhn and Kjell Johnson,林荟等译 第四章 过度拟合与模型调优 4. ...
- R语言使用lm函数拟合多项式回归模型:使用predict函数和训练好的模型进行预测推理、plot函数和lines函数可视化多个多项式曲线图
R语言使用lm函数拟合多项式回归模型:使用predict函数和训练好的模型进行预测推理.plot函数和lines函数可视化多个多项式曲线图 目录
最新文章
- 基于libmad库的MP3解码简析
- dijkstra最短路径算法视频_java实现Dijkstra算法求最短路径
- 新款苹果电脑_苹果发布新款MacBookAir 搭载M1芯片7999起
- 每天进步一点点《ML - 线性回归》
- sbt笔记二 Running
- 安卓 adb 的原理浅析
- PNG免抠软装素材,每个设计师都应该备一份!
- GAN能合成2k高清图了!还能手动改细节 | 论文+代码,英伟达出品
- 基于HFC实现10Gbps对称数据传输
- PHP和javascript中url编码解码详解
- C语言数据结构、十字链表的分析及实现
- SQLyog 使用教程
- Python:运行时隐藏窗口
- 基于32×32点阵LED模块的书写显示屏
- 近五年计算机考研国家线、自划线汇总!
- ERROR: Pool overlaps with other one on this address space
- 这个【vue】项目,让我明白了…
- Android NDK入门教程之快速定位Crash问题
- HDLM命令dlnkmgr详解之三__view
- 英语日常短语积累(4)—银行考试真题
热门文章
- mysql info commit_mysql show processlist 发现大量的commit
- Chrome浏览器新功能 剪贴板多平台共享
- Java中replace、replaceAll和replaceFirst函数的用法小结
- 文件服务器映驱动,映射驱动程序文件 - Windows drivers | Microsoft Docs
- python教程下载百度云盘到手机_Python教程百度云盘哪里找
- c语言树莓派音乐播放器,使用web端来控制我的树莓派播放音乐
- php mysql group by_php – 如何在mysql查询中解决“不在GROUP BY中”错误
- iis php的mime映射_iis MIME 映射添加.php文件映射类型肿么定义
- java想要生成 字符串,如何在Java中“优雅地”生成String?
- Java一些基础知识的整合