Preguntas etiquetadas con arma

Se refiere al modelo de media móvil integrado autorregresivo utilizado en el modelado de series de tiempo tanto para la descripción de datos como para la predicción. Este modelo generaliza el modelo ARMA al incluir un término para diferenciar, que es útil para eliminar tendencias y manejar algunos tipos de no estacionariedad.

3
Analizar parcelas ACF y PACF
Quiero ver si estoy en el camino correcto analizando mis gráficos ACF y PACF: Antecedentes: (Reff: Philip Hans Franses, 1998) Como tanto ACF como PACF muestran valores significativos, supongo que un modelo ARMA satisfará mis necesidades El ACF se puede usar para estimar la parte MA, es decir, el valor …


1
Una prueba de la estacionariedad de un AR (2)
Considere un proceso AR (2) centrado en la media Xt=ϕ1Xt−1+ϕ2Xt−2+ϵtXt=ϕ1Xt−1+ϕ2Xt−2+ϵtX_t=\phi_1X_{t-1}+\phi_2X_{t-2}+\epsilon_t donde ϵtϵt\epsilon_t es el proceso estándar de ruido blanco. Sólo por razones de simplicidad déjame llamar ϕ1=bϕ1=b\phi_1=b y ϕ2=aϕ2=a\phi_{2}=a . Centrándome en las raíces de la ecuación de características obtuve z1,2=−b±b2+4a−−−−−−√2az1,2=−b±b2+4a2az_{1,2}=\frac{-b\pm\sqrt{b^2+4a}}{2a} Las condiciones clásicas en los libros de texto son …


4
¿La aplicación de ARMA-GARCH requiere estacionariedad?
Voy a usar el modelo ARMA-GARCH para series de tiempo financieras y me preguntaba si la serie debería ser estacionaria antes de aplicar dicho modelo. Sé que para aplicar el modelo ARMA, la serie debe ser estacionaria, sin embargo, no estoy seguro de ARMA-GARCH, ya que incluyo errores GARCH que …

2
ARIMA vs ARMA en la serie diferenciada
En R (2.15.2) instalé una vez un ARIMA (3,1,3) en una serie de tiempo y una vez un ARMA (3,3) en la serie de tiempo una vez diferenciada. Los parámetros ajustados difieren, lo que atribuí al método de ajuste en ARIMA. Además, ajustar un ARIMA (3,0,3) en los mismos datos …
13 r  time-series  arima  fitting  arma 

3
Autocovarianza de un proceso ARMA (2,1): derivación del modelo analítico para
Necesito derivar expresiones analíticas para la función de autocovarianza γ(k)γ(k)\gamma\left(k\right) de un proceso ARMA (2,1) denotado 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 Entonces, sé 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 yo pueda escribir: 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] entonces, para derivar la versión analítica de la función de autocovarianza, necesito sustituir los valores …

2
Diferentes definiciones de AIC
De Wikipedia hay una definición del Criterio de información de Akaike (AIC) como , donde k es el número de parámetros y log L es la probabilidad de registro del modelo.Un yoC= 2 k - 2 logLAIC=2k−2log⁡L AIC = 2k -2 \log L kkkIniciar sesiónLlog⁡L\log L Sin embargo, nuestros notas …

1
Valores ajustados del modelo ARMA
Estoy tratando de entender cómo se calculan los valores ajustados para los modelos ARMA (p, q). Ya he encontrado una pregunta aquí con respecto a los valores ajustados de los procesos ARMA, pero no he podido darle sentido. Si tengo un modelo ARMA (1,1), es decir Xt= α1Xt - 1+ …
11 arma 




2
auto.arima no reconoce el patrón estacional
Tengo un conjunto de datos meteorológicos diarios, que tiene, como era de esperar, un efecto estacional muy fuerte. Adapté un modelo ARIMA a este conjunto de datos usando la función auto.arima del paquete de pronóstico. Para mi sorpresa, la función no aplica ninguna operación estacional: diferenciación estacional, componentes estacionales ar …
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.