Suponha que eu tenha uma série temporal que eu quero ajustar usando um modelo ARIMA (1,1,0) do formulário:
Isso pode ser reescrito como:
A última equação descreve um modelo AR (2) com coeficientes e . Eu reconheço que, dependendo da, esse modelo AR (2) pode não ser estacionário. No entanto, se eu estava usando um diff, a série que estou modelando não deveria ser estacionária.
Eu sei que, se o modelo não for estacionário, um diff deve ser usado. Mas como os resultados difeririam se eu usasse um modelo AR (2) versus um modelo ARIMA (1,1,0)? Suponho (como sugerido por R) que ele tem um problema de convergência. No entanto, quando peço que R realize os ajustes, ele fará os dois e os coeficientes são (na maioria) consistentes com minhas observações acima. As previsões são definitivamente diferentes, no entanto.
Se alguém pudesse esclarecer isso ou me indicar uma boa referência, eu agradeceria.
Aqui está o código R que eu usei para gerar os dois modelos.
> set.seed(2)
> x <- arima.sim(n = 1000, model=list(order=c(1,1,0), ar=c(0.3)))
> plot(x)
> arima(x, order=c(1,1,0))
Call:
arima(x = x, order = c(1, 1, 0))
Coefficients:
ar1
0.3291
s.e. 0.0298
sigma^2 estimated as 1.03: log likelihood = -1433.91, aic = 2871.81
> arima(x, order=c(2,0,0))
Call:
arima(x = x, order = c(2, 0, 0))
Coefficients:
ar1 ar2 intercept
1.3290 -0.3294 50.9803
s.e. 0.0298 0.0299 35.9741
sigma^2 estimated as 1.03: log likelihood = -1438.93, aic = 2885.86
Warning messages:
1: In log(s2) : NaNs produced
2: In log(s2) : NaNs produced
3: In log(s2) : NaNs produced
4: In arima(x, order = c(2, 0, 0)) :
possible convergence problem: optim gave code = 1