Computa la medida de bondad de ajuste(Ej. función de log-verosimilitud (LLF), AIC, etc.) del modelo estimado ARIMA.
Sintaxis
ARMAX_GOF(Y, X, Order, Beta, mean, sigma, phi, theta, Type)
- Y
- es la respuesta, AKA la matriz de datos de series de tiempo variable dependiente (una matriz/array dimensional de celdas (Ej.filas o columnas)).
- X
- es la variable independiente(factores exógenos) matríz de datos de las serie de tiempo, de manera que cada columna representa una variable.
- Order
- es el orden de tiempo en la serie de datos (Ej. El primer punto correspondiente a la fecha (la fecha más temprana fecha=1 (por defecto), la fecha más tarde fecha=0)).
Orden Descripción 1 ascendente (el primer punto de datos de fecha corresponde a la más temprana) (por defecto) 0 descendente (el primer punto de datos corresponde a la última fecha) - Beta
- son los coeficientes de la matríz de los factores exógenos.
- mean
- es la media ARMA de largo plazo (Ej. mu).
- sigma
- es la desviación estandar del los residuos del modelo.
- phi
- son los parámetros del modelo componente AR(p)(comenzando con el lag más bajo).
- theta
- son los parámetros del modelo componente MA(q) (comenzando con el lag más bajo).
- Type
- es un número entero para seleccionar la medida de bondad de ajuste: (1=LLF(por defecto), 2=AIC, 3=BIC, 4=HQC).
Orden Descripción 1 Función de Log-Verosimilitud (LLF) (default) 2 Criterio de Información (AIC) 3 Criterio de Información Schwarz/Bayesian (SIC/BIC) 4 Criterio de Información Hannan-Quinn (HQC)
Observaciones
- El modelo subyacente se describe aquí.
- La función de probabilidad logarítmica ( LLF ) se describe aquí.
- Cada columna en los factores explicatorios en la matríz de entrada (Ej. X) corresponde a una variable separada.
- Cada fila Each en los factores explicatorios en la matríz de entrada (Ej. X) corresponde a una observación.
- Observaciones (Ej. filas) con valores falatantes X o Y son asumidos como faltantes.
- El número de filas de las variables explicatorias (X) debe ser igual al número de filas de la variable de respuesta (Y).
- La serie de tiempo es homogenea e igualmente espaceada
- La serie de tiempo puede incluir valores faltantes (Ej. #N/A) en los extremos.
- La media a largo plazo puede tener cualquier valor o ser omitida, en ese acaso un valor cero es asumido.
- los residuos/innovations de la desviacion estandar (sigma) debe ser mayor que cero.
- El modelo ARMA tiene residuos independientes y normalmente distribuídos con varianza constante. La función log-verosimilitud de ARMA comienza:
$$\ln L^* = -T\left(\ln 2\pi \hat \sigma^2+1\right)/2 $$
Where:
- $\hat \sigma$ es la desviación estandar de los residuos.
- La máxima estimación de verosimilitud (MLE) es un método estadístico para ajustar un modelo a los datos y provee estimados para los parámetros del modelo.
- Para el argumento de entrada (beta):
- El argumento de entrada es is opcional y puede ser omitido, en ese caso el componente de regresión no es incluído (Ej. plain ARMA).
- El orden de los parámetros define como el factor exógeno pasa los argumentos de entrada.
- Uno o más parámetros pueden tener valores faltantes o errores de código (Ej. #NUM!, #VALOR!, etc.).
- Para el argumento de entrada (phi):
- El argumento de entrada es opcional y puede ser omitido, en ese caso el componente AR no es incluido
- El orden de los parámetros comienza con el lag más bajo.
- Uno o más parámetros pueden tener valores faltantes o errores de código (Ej. #NUM!, #VALOR!, etc.).
- El orden del modelo componente AR es solamente determinado por el orden del último valor en la matríz o array con un valor numérico.
- Para el argumento de entrada (theta):
- El argumento de entrada es opcional y puede ser omitido, en ese caso el componente MA no es incluido.
- El orden de los parámetros comienza con el lag más bajo.
- Uno o más parámetros pueden tener valores faltantes o errores de código (Ej. #NUM!, #VALOR!, etc.).
- El orden del modelo componente MA es solamente determinado por el orden del último valor en la matríz o array con un valor numérico.(vs. faltante o error).
- La función fue adicionada en versión 1.63 SHAMROCK
Enlaces Relacionados
Referencias
- Hamilton, J .D.; Time Series Analysis , Princeton University Press (1994), ISBN 0-691-04289-6
- Tsay, Ruey S.; Analysis of Financial Time Series John Wiley & SONS. (2005), ISBN 0-471-690740
Comentarios
El artículo está cerrado para comentarios.