Tabla Selección del modelo

Busque definiciones e instrucciones de interpretación para la tabla Selección de modelos.

La tabla de selección de modelos incluye una fila para cada modelo candidato en la búsqueda que tenía parámetros estimables. La tabla ordena el modelo disminuyendo el ajuste para que el mejor modelo esté en la primera fila.

Modelo

El encabezado de la columna del modelo proporciona los órdenes estacionales y no estacionales de diferenciación para todos los modelos de la tabla.

d: El orden de diferenciación no estacional indica el número de veces que se resta el valor de datos anterior del valor de datos actual.
D: El orden de diferenciación estacional indica el número de veces que se resta el valor de la temporada anterior del valor de datos actual.

Las filas muestran el orden de los términos autorregresivos y de media móvil para los modelos.

p: El orden del término autorregresivo no estacional es el número de valores anteriores (retrasos) que afectan al valor actual.
q: El orden del término de la media móvil no estacional es el número de términos de error anteriores (retrasos de los errores de previsión) que afectan al valor actual.
P: El orden del término autorregresivo estacional es el número de retrasos de la temporada anterior que se correlacionan significativamente con la temporada actual.

Q: El orden del término de la media móvil estacional es el número de términos de error anteriores (retrasos de los errores de pronóstico) de la temporada anterior que afectan al valor actual.

Log-verosimilitud

El análisis utiliza la probabilidad logarítmica de un modelo en los cálculos para los criterios de información.

Interpretación

Normalmente, se utilizan los criterios de información para comparar modelos porque la probabilidad de registro no puede disminuir al agregar términos a un modelo. Por ejemplo, un modelo con 5 términos tiene una log-verosimilitud mayor que la de cualquier modelo de 4 términos que se pueda crear con los mismos términos. Por lo tanto, la log-verosimilitud es más útil cuando se comparan modelos del mismo tamaño. Para los modelos con el mismo número de términos, cuanto mayor sea la probabilidad de registro, mejor se ajustará el modelo a los datos.

AIC, AICc y BIC

El criterio de información de Akaike (AIC), el criterio de información de Akaike corregido (AICc) y el criterio de información bayesiano (BIC) son medidas de la calidad relativa de un modelo que representan el ajuste y el número de términos en el modelo.

Interpretación

Utilice el AIC, el AICc y el BIC para comparar diferentes modelos. Se prefieren valores más pequeños. Sin embargo, el modelo con el menor valor para un conjunto de términos no necesariamente se ajusta bien a los datos. También use pruebas y gráficos para evaluar qué tan bien se ajusta el modelo a los datos.

AICc y AIC: Cuando el tamaño de la muestra es pequeño en relación con los parámetros incluidos en el modelo, el AICc tiene un mejor desempeño que el AIC. El AICc tiene un mejor desempeño debido a que, con tamaños de muestras relativamente pequeños, el AIC tiende a ser pequeño para modelos con demasiados parámetros. Por lo general, los dos estadísticos dan resultados similares cuando el tamaño de la muestra es suficientemente grande en relación con los parámetros incluidos en el modelo.
AICc y BIC: Tanto el AICc como el BIC evalúan la probabilidad del modelo y luego aplican una penalización por agregar términos al modelo. La penalización reduce la tendencia a sobreajustar el modelo a los datos de la muestra. Esta reducción puede producir un modelo que tenga un mejor desempeño en general.; Como directriz general, cuando el número de parámetros es pequeño en relación con el tamaño de la muestra, el BIC tiene una penalización mayor por la adición de cada parámetro que el AICc. En estos casos, el modelo que minimiza el BIC tiene a ser más pequeño que el modelo que minimiza el AICc.