Computariza la medida de la bondad de ajuste (Ej. Función de verosimilitud LLF, AIC, etc.) del modelo estimado ARIMA.
Sintaxis
ARIMA_GOF(X, Order, d, Mean, sigma, phi, theta, Type)
- X
- es la serie de datos de tiempo univariante (un array dimensional de celdas (Ej. filas o columnas)).
- Order
- es el orden de tiempo en la serie de datos.(Ej. el primer punto corresponde a las fecha (la más temprana fecha = 1 (por defecto), la más tarde fecha = 0)).
Orden Descripción 1 Ascendente (el primer punto corresponde a la fecha menor) (por defecto). 0 Descendiente (el primer punto corresponde a la fecha mayor). - d
- es el grado de diferenciación (Ej. d).
- mean
- es la media del modelo ARMA (Ej. mu). Si falta, la media se asume como cero.
- sigma
- es el valor de la desviación estándar del modelo residual/innovaciones.
- phi
- son los parámetros del modelo componente AR(p) (comenzando con el retraso menor (lag)).
- theta
- son los parámetros del modelo componente MA(q) (comenzando con el retraso menor (lag)).
- Type
- es un número entero para seleccionar la medida de la bondad del ajuste: (1 = LLF (por defecto), 2 = AIC, 3 = BIC, 4 = HQC).
Orden Descripción 1 Función de Verosimilitud (LLF) (por defecto). 2 Criterio de Información Akaike (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.
- La series de tiempo son homogéneas e igualmente espaceadas.
- La series de tiempo son homogéneas pueden incluir valores faltantes (Ej. #N/A) en los extremos.
- El valor de los resíduos/innovations de la desviación estándard(Ej. $\sigma$) debe ser mayor a cero
- El modelo ARMA tiene una distribución normal residual normal distribuída con una varianza constante. La Función de Verosimilitud ARMA log comienza:
$$\ln L^* = -T\left(\ln 2\pi \hat \sigma^2+1\right)/2$$ Donde:- $\hat \sigma$ es la desviación estandar de los resíduos.
- La estimación máxima de versosimilitud (MLE) es un método estadístico para ajustar un modelo a los datos y poveer estimados para los parámetros del modelo.
- El argumento integrador de orden (d) debe ser un número positivo.
- La media puede tomar cualquier valor o ser omitida, en este caso el cero es asumido.
- El valor de los resíduos/innovations de la desviación estándard (sigma) debe ser mayor a cero.
- Para el argumento de entrada (phi):
- El argumento de entrada es opcional y puede ser omitido, en cuyo caso el componente AR es incluído
- El orden de los parámetros comienza con el lag más bajo.
- Uno o más parámetros puden ser omitidos o tener un error 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 (vs. faltante o error).
- Para el argumento de entrada (theta):
- El argumento de entrada es opcional y puede ser omitido, en cuyo caso el componente el componente MA component no incluído.
- El orden de los parámetros comienza con el lag más bajo.
- Uno o más parámetros puden ser omitidos o tener un error 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.
Ejemplos de archivos
Enlaces Relacionados
- Wikipedia - Función de verosimilitud.
- Wikipedia - Likelihood principle.
- Wikipedia - Modelo Autorregresivo de media móvil.
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.