5时间序列模型诊断..doc

时间序列模型诊断 残差分析 观测残差图 如果模型是适当的，则其残差的期望图形是一个围绕零水平线的，无任何趋势的长方形散点图 Eg: res=arima(sqrt(hare),order=c(3,0,0),include.mean=T) 拟合效果似乎并不好：图形的末端残差的变化幅度增加。 arima11-arima(arma11.s,order=c(1,0,1),method=ML) plot(rstandard(arima11),type=o) 残差正态性 plot(rstandard(arima11),type=o) qqnorm(residuals(res));qqline(residuals(res)) 有较多的异常值，但是又因为样本量较小，无法判断是否拟合合理 qqnorm(residuals(arima11));qqline(residuals(arima11)) 存在部份的异常值。 残差的自相关 如果模型拟合较优，则其残差自相关应近似无关，服从均值为0，方差为1/n的正态分布。 acf(residuals(res)) acf(residuals(arima11)) 自相关显示拟合的两个模型都没有自相关的迹象 Ljung-Box检验 Tsdiag提供了标准残差的序列图、残差的样本ACF从5-15的Ljung-Box检验统计量的P值。是一个综合分析诊断时间序列模型的工具。 的Ljung-Box检验P值在虚线外（5%）说明没有证据来拒绝误差项是不相关的零假设。 tsdiag(res) tsdiag(arima11,gof=15,omit.initial=F) 过度拟合和参数冗余 通过比较拟合模型的标准差，对数似然值（越大越好），以AIC（越小越好）及检验系数的显著性（系数/系数的标准误差）来判断是否过度拟合。 拟合原则：