Estadísticos del modelo para ARIMA

Encuentre definiciones y ayuda para interpretar cada uno de los estadísticos del modelo que se proporcionan con ARIMA.

Iteración

Este valor indica el número de iteraciones requeridas para obtener la suma de cuadrados de error (SSE). El algoritmo de ARIMA realiza hasta 25 iteraciones para ajustar un modelo. Si la solución no converge, almacene los coeficientes estimados en el cuadro de diálogo secundario Almacenamiento y vuelva a ejecutar el análisis ingresando la columna de coeficientes almacenados en Valores de inicio para los coeficientes. Usted puede almacenar los parámetros calculados y utilizarlos como valores iniciales para un ajuste subsiguiente tan frecuentemente como sea necesario.

Es posible que el algoritmo no logre converger debido a que usted incluye una constante en el modelo. Puede intentar volver a realizar el análisis sin la constante.

SSE

La SSE es la suma de los residuos cuadrados. Cuantifica la variación de los datos que no explica el modelo ARIMA. Minitab muestra la SSE correspondiente a cada iteración del algoritmo de ARIMA.

Interpretación

La SSE indica la exactitud del modelo ajustado, en cada iteración. Mientras menor sea el valor, más exacto será el ajuste del modelo. Si compara modelos o condiciones iniciales, comparar múltiples valores de SSE final puede ser significativo. Sin embargo, un valor individual de SSE final puede no ser intuitivamente significativo.

Parámetros

Los parámetros son los coeficientes estimados para los parámetros en el modelo, en cada iteración. La tabla muestra el progreso del algoritmo de ARIMA cuando éste intenta llegar a una conclusión. Para cada iteración subsiguiente, el algoritmo ajusta los estimados de parámetros de una manera que predice si se reduce la SSE en comparación con la iteración anterior. Las iteraciones continúan hasta que el algoritmo no sea capaz de reducir la suma de los cuadrados, un problema impide la iteración subsiguiente o Minitab alcanza el número máximo de iteraciones.

Pronósticos retrospectivos

Los pronósticos retrospectivos son los valores ajustados para los intervalos de tiempo antes del inicio de las series. Los valores de los pronósticos retrospectivos son los mismos que si invirtiera el orden de las series de tiempo y generara pronósticos al final de las series invertidas.

Coef

Los coeficientes son las estimaciones finales de los valores correspondientes a los parámetros del modelo. Los coeficientes son los números por los que se multiplican los valores del término en el modelo ARIMA.

EE Coef

El error estándar del coeficiente (EE Coef) estima la variabilidad entre estimaciones de parámetros que usted obtendría si tomara muestras de la misma población una y otra vez. Utilice el error estándar de la estimación para medir la precisión de la estimación del parámetro. Cuanto menor sea el error estándar, más precisa será la estimación.

T

El valor t es un estadístico de prueba para las pruebas t que mide la relación entre el coeficiente y su error estándar.

Interpretación

Minitab utiliza el valor t para calcular el valor p, que usted puede usar para tomar una decisión acerca de la significancia estadística de los términos y el modelo.

Una relación suficientemente grande indica que la estimación de los coeficientes es lo suficientemente grande y precisa para ser significativamente diferente de 0. En cambio, una relación pequeña indica que la estimación de los coeficientes es muy pequeña o muy imprecisa para asegurar que el término tiene un efecto significativo sobre la variable.

Usted puede utilizar el valor t para determinar si puede rechazar la hipótesis nula. Sin embargo, el valor p se utiliza con mayor frecuencia debido a que es más fácil de interpretar.

P por la estimación final de los parámetros

El valor p es una probabilidad que mide la evidencia en contra de la hipótesis nula. Las probabilidades más bajas proporcionan una evidencia más fuerte en contra de la hipótesis nula.

Interpretación

Para determinar si la asociación entre la respuesta y cada término en el modelo es estadísticamente significativa, compare el valor p del término con su nivel de significancia para evaluar la hipótesis nula. La hipótesis nula es que el término no es significativamente diferente de 0, lo cual indica que no existe asociación alguna entre el término y la respuesta. Por lo general, un nivel de significancia (denotado como α o alfa) de 0.05 funciona adecuadamente. Un nivel de significancia de 0.05 indica un riesgo de 5% de concluir que el término no es significativamente diferente de 0 cuando ocurra exactamente lo contrario.
Valor p ≤ α: El término es estadísticamente significativo
Si el valor p es menor que o igual al nivel de significancia, usted puede concluir que el coeficiente es estadísticamente significativo.
Valor p ≤ α: El término no es estadísticamente significativo
Si el valor p es mayor que o igual al nivel de significancia, usted no puede concluir que el coeficiente es estadísticamente significativo. Le convendría reajustar el modelo sin el término.

SC

La suma de cuadrados de los residuos es la suma de los residuos utilizando las estimaciones finales de los parámetros, sin tomar en cuenta los pronósticos retrospectivos. Minitab utiliza la suma de los cuadrados para calcular el cuadrado medio del error.

CM

El cuadrado medio del error es una medida de exactitud del modelo ajustado. Los valores más pequeños del cuadrado medio del error por lo general indican un mejor ajuste del modelo. Utilice el cuadrado medio del error para comparar los ajustes de diferentes modelos ARIMA.

GL

Los grados de libertad constituyen la cantidad de información de sus datos. Minitab utiliza los grados de libertad de los residuos para calcular el cuadrado medio del error.

Matriz de correlación de los parámetros estimados

La matriz de correlación muestra la correlación para cada par de términos en el modelo. Si las estimaciones de los parámetros están altamente correlacionadas, considere reducir el número de parámetros para simplificar el modelo.

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política