Perguntas com a marcação «arma»

Refere-se ao modelo AutoRegressive Integrated Moving Average usado na modelagem de séries temporais tanto para descrição de dados quanto para previsão. Este modelo generaliza o modelo ARMA incluindo um termo para diferenciação, que é útil para remover tendências e lidar com alguns tipos de não-estacionariedade.

3
Analisar gráficos ACF e PACF
Quero ver se estou no caminho certo analisando meus gráficos ACF e PACF: Histórico: (Reff: Philip Hans Franses, 1998) Como o ACF e o PACF mostram valores significativos, presumo que um modelo ARMA atenda minhas necessidades O ACF pode ser usado para estimar a parte MA, ou seja, o valor …


1
Uma prova da estacionariedade de um RA (2)
Considere um processo de AR (2) centrado na média que é o processo padrão de ruído branco. Apenas por razões de simplicidade, deixe-me chamar e . Focando nas raízes da equação das características, obtive As condições clássicas nos livros didáticos são as seguintes: \ begin { cases} | a | …


4
A aplicação do ARMA-GARCH requer estacionariedade?
Vou usar o modelo ARMA-GARCH para séries temporais financeiras e queria saber se a série deveria ser estacionária antes de aplicar o referido modelo. Eu sei que para aplicar o modelo ARMA, a série deve ser estacionária, no entanto, não tenho certeza para o ARMA-GARCH, pois estou incluindo erros GARCH …

2
ARIMA vs ARMA na série diferenciada
No R (2.15.2), ajustei uma vez um ARIMA (3,1,3) em uma série temporal e uma vez um ARMA (3,3) em séries temporais que diferiam uma vez. Os parâmetros ajustados diferem, o que eu atribuí ao método de ajuste no ARIMA. Além disso, o ajuste de um ARIMA (3,0,3) nos mesmos …
13 r  time-series  arima  fitting  arma 

3
Autocovariância de um processo ARMA (2,1) - derivação do modelo analítico para
Preciso derivar expressões analíticas para a função de autocovariância γ(k)γ(k)\gamma\left(k\right) de um processo ARMA (2,1) indicado por: yt=ϕ1yt−1+ϕ2yt−2+θ1ϵt−1+ϵtyt=ϕ1yt−1+ϕ2yt−2+θ1ϵt−1+ϵty_t=\phi_1y_{t-1}+\phi_2y_{t-2}+\theta_1\epsilon_{t-1}+\epsilon_t Então, eu sei que: γ(k)=E[yt,yt−k]γ(k)=E[yt,yt−k]\gamma\left(k\right) = \mathrm{E}\left[y_t,y_{t-k}\right] para que eu possa escrever: γ(k)=ϕ1E[yt−1yt−k]+ϕ2E[yt−2yt−k]+θ1E[ϵt−1yt−k]+E[ϵtyt−k]γ(k)=ϕ1E[yt−1yt−k]+ϕ2E[yt−2yt−k]+θ1E[ϵt−1yt−k]+E[ϵtyt−k]\gamma\left(k\right) = \phi_1 \mathrm{E}\left[y_{t-1}y_{t-k}\right]+\phi_2 \mathrm{E}\left[y_{t-2}y_{t-k}\right]+\theta_1 \mathrm{E}\left[\epsilon_{t-1}y_{t-k}\right]+\mathrm{E}\left[\epsilon_{t}y_{t-k}\right] então, para derivar a versão analítica da função de autocovariância, preciso substituir valores de …

2
Definições diferentes da AIC
Na Wikipedia, existe uma definição do Critério de Informação de Akaike (AIC) como AIC=2k−2logLAIC=2k−2log⁡L AIC = 2k -2 \log L , onde kkk é o número de parâmetros e logLlog⁡L\log L é a probabilidade de log do modelo. No entanto, os nossos notas Econometria na universidade um estado bem respeitado …

1
Valores ajustados do modelo ARMA
Estou tentando entender como os valores ajustados são calculados para os modelos ARMA (p, q). Eu já encontrei uma pergunta aqui sobre valores ajustados dos processos ARMA, mas não consegui entender isso. Se eu tiver um modelo ARMA (1,1), ou seja, Xt=α1Xt−1+ϵt−β1ϵt−1Xt=α1Xt−1+ϵt−β1ϵt−1X_t = \alpha_1X_{t-1}+\epsilon_t - \beta_1 \epsilon_{t-1} e recebo uma …
11 arma 




2
auto.arima não reconhece padrão sazonal
Eu tenho um conjunto de dados meteorológicos diários, que surpreendentemente tem um efeito sazonal muito forte. Adaptei um modelo ARIMA a esse conjunto de dados usando a função auto.arima do pacote de previsão. Para minha surpresa, a função não aplica operações sazonais - diferencial sazonal, componentes sazonais ar ou ma. …
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.