Modellauswahltabelle

Hier finden Sie Definitionen und Anleitungen zur Interpretation für die Tabelle zur Modellauswahl.

Die Modellauswahltabelle enthält eine Zeile für jedes Kandidatenmodell in der Suche, das über schätzbare Parameter verfügte. Die Tabelle ordnet das Modell an, indem sie die Anpassung verringert, sodass sich das beste Modell in der ersten Zeile befindet.

Modell

Die Kopfzeile der Modellspalte enthält die saisonalen und nicht saisonalen Differenzierungsreihenfolgen für alle Modelle in der Tabelle.

d: Die Reihenfolge der nicht saisonalen Differenzierung gibt an, wie oft Sie den vorherigen Datenwert vom aktuellen Datenwert subtrahieren.
D: Die Reihenfolge der saisonalen Differenzierung gibt an, wie oft Sie den vorherigen Datenwert vom aktuellen Datenwert subtrahieren.

Die Zeilen zeigen die Reihenfolge der autoregressiven und gleitenden Durchschnittsterme für die Modelle.

p: Die Reihenfolge des nicht-saisonalen autoregressiven Terms ist die Anzahl der vorherigen Werte (Lags), die sich auf den aktuellen Wert auswirken.
q: Die Reihenfolge des nichtsaisonalen gleitenden Durchschnittsterms ist die Anzahl der vorherigen Fehlerterme (Verzögerungen der Prognosefehler), die sich auf den aktuellen Wert auswirken.
P: Die Reihenfolge des saisonalen autoregressiven Terms entspricht der Anzahl der Lags aus der vorherigen Saison, die mit der aktuellen Saison signifikant korrelieren.

Q: Die Reihenfolge des saisonalen gleitenden Durchschnittsterms ist die Anzahl der vorherigen Fehlerterme (Lags der Prognosefehler) aus der vorherigen Saison, die sich auf den aktuellen Wert auswirken.

Log-Likelihood

Die Analyse verwendet die Log-Wahrscheinlichkeit für ein Modell in den Berechnungen für die Informationskriterien.

Interpretation

Normalerweise verwenden Sie die Informationskriterien, um Modelle zu vergleichen, da die Protokollwahrscheinlichkeit nicht abnehmen kann, wenn Sie einem Modell Begriffe hinzufügen. Ein Modell mit 5 Termen weist z. B. eine höhere Log-Likelihood als jedes Modell mit 4 Termen auf, das Sie anhand derselben Terme erstellen können. Die Log-Likelihood ist daher am nützlichsten, wenn Sie Modelle derselben Größe vergleichen. Bei Modellen mit der gleichen Anzahl von Termen gilt: Je höher die logarithmische Wahrscheinlichkeit, desto besser passt das Modell zu den Daten.

AIC, AICc und BIC

Akaikes Informationskriterium (AIC), Akaikes korrigiertes Informationskriterium (AICc) und das Bayessche Informationskriterium (BIC) sind Maße der relativen Qualität eines Modells, bei denen sowohl die Anpassung als auch die Anzahl der Terme im Modell berücksichtigt werden.

Interpretation

Anhand des AIC, des AICc und des BIC können Sie verschiedene Modelle vergleichen. Erwünscht sind kleinere Werte. Das Modell mit dem kleinsten Wert für eine Gruppe von Term ist jedoch nicht zwangsläufig gut an die Daten angepasst. Verwenden Sie auch Tests und Diagramme, um zu bewerten, wie gut das Modell zu den Daten passt.

AICc und AIC: Wenn die Stichprobengröße im Verhältnis zur Anzahl der Parameter im Modell klein ist, erbringt das AICc eine bessere Leistung als das AIC. Das AICc erbringt deshalb eine bessere Leistung, weil das AIC bei kleinen Stichprobenumfängen für Modelle mit zu vielen Parametern tendenziell klein ist. In der Regel liefern die beiden Statistiken ähnliche Ergebnisse, wenn der Stichprobenumfang im Verhältnis zur Anzahl der Parameter im Modell hinreichend groß ist.
AICc und BIC: Sowohl das AICc als auch das BIC werten die Likelihood des Modells aus und wenden dann einen Abzug für das Hinzufügen von Termen zum Modell an. Durch den Abzug wird die Tendenz zur Überanpassung des Modells an die Stichprobendaten reduziert. Durch diese Reduzierung kann ein Modell zustande kommen, das insgesamt eine bessere Leistung erbringt.; Als Faustregel gilt: Wenn die Anzahl der Parameter im Verhältnis zum Stichprobenumfang klein ist, ist der Abzug für das Hinzufügen der einzelnen Parameter für das BIC größer als für das AICc. In diesen Fällen ist das Modell, bei dem das BIC minimiert wird, tendenziell kleiner als das Modell, bei dem das AICc minimiert wird.