Estadísticos del modelo para ARIMA

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.

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.

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.

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.

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.

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.

El valor t mide la relación entre el coeficiente y su error estándar.

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.

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.

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.

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.

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.