在前面，我们介绍了平稳非白噪声的检验方法。这章我们是在平稳非白噪声的前提下，对模型进行定阶、估计和检验。

模型的识别与定阶

①直观识别

对于识别我们可以采用直观的识别方法，那就是通过自相关和偏自相关

acf(X,lag.max = )  #自相关图像
pacf(X,lag.max = )  #偏自相关图像

我们根据自相关和偏自相关所展示的图判断，如下：

上图分别为ACF和PACF图像，我们根据主观的判别法，可以看出ACF是呈现拖尾性，PACF呈现截尾性的。因此我们可以判别这是一个AR模型。接下来我们观察PACF所呈现的截尾是在滞后1阶处进行的截尾。因此，我们判断此模型为AR(1)。(关于MA模型的主观判别法放在最后了)

②扩展的自相关函数（三角格子法）

library(TSA)  #调用TSA包
eacf(X)       #画出扩展自相关图

我们看下图：

我们找到这个三角形，在三角形的角中找到“圆圈”，即模型为ARMA(0,0,1)。注ARMA(p,d,q),其中p为AR的阶数，d为差分，q为MA的阶数。

③BIC准则

library(forecast)    #调用预测包
auto.arima(x,max.p = 14,max.q = 14,ic="bic")  #我们通过BIC判别法进行模型的定阶，
#其中max.p和max.q为AR、MA的最大阶数。
#ic 有AIC BIC AICC 三个选项，系统默认AIC，这里我们可以选用bic

我们通过bic的自动识别最优阶数对模型进行定阶，如下图（一个例子，供大家参考）：

图中，我们能够看到，系统给出的定阶模型为ARIMA(1,0,0)。与此同时，我们可以看一下系统所定阶的模型的参数ar1 = 0.5739远远大于它的2倍标准误差（s.e. = 0.1161）,故我们可以判断我们的参数显著非零。因此，我们肯定了该系统给出的模型和阶数。

④armasubset()

关于armasubset()函数，也是一种定阶的方法。因为前面文章中，对它有单独的介绍，故这里就不再多说了

res = armasubsets(X,nar = 14，nma = 14,ar.method = "ols")
#X为待拟合的时间序列，nar为AR的最大阶数，nma为MA的最大阶数
#ar.method = "ols",表示AR部分的拟合方法是最小二乘法plot(res)

参数估计

前面我们对模型进行识别和定阶之后，我们选出我们识别出模型以及其模型的阶数c(p,d,q)各是多少，然后对模型进行参数估计。

fit1 = arima(X,order = c(1,1,1),include.mean = T,method = "ML")
fit1
#X为时间序列
#order为我们所定阶的模型 c(p,d,q)
#include.mean = T时，模型中需要均值，F为不需要
#method为指定的参数估计方法：CSS-   ML   CSS-ML
#三种方法分别为条件最小二乘法、极大似然估计以及两者的混合方法

模型的显著性检验

进行模型的显著性检验时，我们需要了解它检验的是什么？

模型的检验主要检验模型的有效性，而一个模型是否有效主要是看它提取信息是否充分，如何看一个信息提取是否充分呢，我们就看它的残差序列。如果残差序列中还残留着相关信息未被提取，那么说明拟合的模型不够有效。

因此，模型的显著性检验，就是观察我们的残差序列是不是白噪声。是白噪声即模型有效。

library(aTSA)
ts.diag(X)

怎么通过这四张图判断是否是白噪声呢，如下图：

左上图为残差序列自相关图。

右上图为残差序列的偏自相关图。

左下图为残差序列的白噪声图。其横轴为延迟阶数，我们从图中可以看出其Q统计量的P值都在0.05(红色虚线)显著参考线之上，认为是白噪声序列。即我们认为该模型是显著成立的。

右下图为残差序列正态性检验的QQ图，从该图中我们认为残差部分近似服从正态分布。

(基本上我们看左下角这张图就可以判断其是否为白噪声了)

补充

我们通过ACF、PACF的图像去怎么判断MA模型呢？我们要清楚：

AR(p)模型是ACF呈拖尾，PACF呈p阶截尾

MA(q)模型是ACF呈q阶截尾，PACF呈拖尾

ARMA模型是ACF呈拖尾，PACF呈拖尾，这个时候我们就需要通过其它方式去给ARMA定阶了。

上一章我们介绍了平稳非白噪声的检验，这一章我们介绍了模型的识别、定阶、参数估计、模型的检验，下一章会推出建立模型的最后一个环节---参数的显著性检验、模型优化以及序列预测。

R语言--模型的定阶、估计和显著性检验相关推荐

R语言计算线性回归的最小二乘估计
R语言计算线性回归的最小二乘估计全称:线性回归的最小二乘法(OLS回归),ordinary least square,字面翻译:普通最小平方: 内容:包括三个部分:简单线性回归.多项式回归.多元线性 ...
R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型
介绍最近我们被客户要求撰写关于向量自回归的研究报告,包括一些图形和统计输出.向量自回归(VAR)模型的一般缺点是,估计系数的数量与滞后的数量成比例地增加.因此,随着滞后次数的增加,每个参数可用的信息 ...
时间序列基础操作：使用python与eviews对AR与ARMA模型进行定阶与预报
一般处理时间序列的基本过程: 几种基础时间序列模型: 目录一.Python处理 1.1.step1:平稳性检验与白噪音检验 1.1.1平稳性检验:ADF检验 1.1.2差分修正: 1.1.3白噪音检 ...
【R语言】迫松分布估计--判断是否符合迫松分布
简述一道概率论和数理统计的题. 在1秒钟区间内的观测数.迫松分布的期望数是多少?能与之匹配吗? n 观测 0 5267 1 4436 2 1800 3 534 4 111 5+ 21 解思路先算 ...
R语言-回归系数的极大似然估计
老师要求我们对回归方程中的回归系数进行极大似然估计,回归方程如下: 计算步骤如下: 步骤一:写出似然函数log(β),其中的β为(β0,β1,β2)t(β_0, β_1, β_2)^t(β0,β1 ...
R语言-模型协方差检验anova-模型拟合时没有用同样大小的数据集
笔者在使用R语言进行数据分析的时候,,遇到了这样的问题,同时对模型使用aic准则进行变量筛选的时候遇到了别的问题这就奇怪了,,,what f....???????????,,,模型建立的时候如果有缺 ...
r语言dataellipse_几行R语言代码搞定菌群与环境因子或临床指标相关性的可视化...
相关性分析是生物信息学中常用的分析方法,可以用来分析菌群与菌群的关联,菌群与因子的关联等等.本文使用R语言内置函数cor()计算变量之间的相关系数,并用corrplot包进行可视化.(本文测试数据为R ...
R语言作业一：矩估计、极大似然估计、拟合、对数正态分布、泊松分布、负二项分布
一.矩估计.极大似然估计.拟合.对数正态分布 ##导入数据 setwd("C:/Users/chang/Documents/SRM-PA/R简介/上课练习数据集") healthe ...
R语言-点估计与极大似然估计
这里写自定义目录标题前言一.点估计二.极大似然估计提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一.点估计二.极大似然估计前言提示:这里可以添加本文要 ...

R语言--模型的定阶、估计和显著性检验