Estadísticos chi-cuadrado modificados de Box-Pierce (Ljung-Box) ARIMA

Encuentre definiciones y ayuda para interpretar cada estadístico chi-cuadrado modificado de Box-Pierce (Ljung-Box).

Desfase

El desfase es el período de tiempo que separa los datos que están ordenados en el tiempo. Minitab muestra los desfases que sean múltiplos de 12. El desfase se utiliza para calcular el coeficiente de autocorrelación parcial. El número máximo de desfases (tal como lo sugieren Box y Jenkins) es aproximadamente n/4 para una serie con menos de 240 observaciones o para una serie con más de 240 observaciones, donde n es el número de observaciones.

Chi-cuadrado

El valor de chi-cuadrado es el estadístico de prueba que utiliza Minitab para determinar si los residuos son independientes.

Interpretación

Minitab utiliza el valor de chi-cuadrado para calcular el valor p, que usted utiliza para determinar si los residuos son independientes. 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.

GL

Los grados de libertad constituyen la cantidad de información de sus datos. Minitab utiliza los grados de libertad para los estadísticos de chi-cuadrado para calcular el valor p.

Valor p

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. Minitab muestra valores p para los desfases acumulados que sean múltiplos de 12.

Interpretación

Utilice los valores p para determinar si el modelo satisface los supuestos de que los residuos son independientes. Para determinar si los residuos son independientes, compare el valor p con el nivel de significancia de cada estadístico chi-cuadrado. Por lo general, un nivel de significancia (denotado como α o alfa) de 0.05 funciona adecuadamente. Si el valor p es mayor que el nivel de significancia, usted puede concluir que los residuos son independientes y que el modelo satisface el supuesto. Si no se satisface el supuesto, es posible que el modelo no se ajuste a los datos y usted debería ser precavido cuando interprete los resultados.