Statistiques de modèle pour la fonction ARIMA

Cette valeur indique le nombre d'itérations requises pour obtenir la somme des carrés de l'erreur (SCE). L'algorithme ARIMA effectue jusqu'à 25 itérations pour ajuster un modèle donné. Si la solution ne converge pas, stockez les coefficients estimés dans la sous-boîte de dialogue Stockage et effectuez de nouveau l'analyse en indiquant la colonne des coefficients stockés dans Valeurs de départ pour les coefficients. Vous pouvez stocker les paramètres estimés et les utiliser comme valeurs de début pour un ajustement ultérieur aussi souvent que nécessaire.

L'algorithme peut aussi ne pas converger, car vous avez inclus une constante dans le modèle. Vous pouvez essayer d'effectuer l'analyse de nouveau, sans la constante.

La SCE est la somme des carrés des valeurs résiduelles. Elle quantifie la variation non expliquée par le modèle ARIMA dans les données. Minitab affiche la SCE pour chaque itération de l'algorithme ARIMA.

Les paramètres sont les coefficients estimés des paramètres du modèle à chaque itération. Le tableau indique la progression de l'algorithme ARIMA, qui tente de converger vers une solution. Pour chaque nouvelle itération, l'algorithme ajuste les estimations de paramètres de sorte que la prédiction obtenue permette de réduire la valeur SCE par rapport à l'itération précédente. Les itérations se poursuivent jusqu'à ce que l'algorithme ne puisse plus réduire la somme des carrés, qu'un problème empêche l'itération suivante ou que Minitab atteigne le nombre maximal d'itérations.

Les prévisions rétrospectives sont les valeurs ajustées pour des intervalles de temps avant le début de votre série. Les valeurs des prévisions rétrospectives sont les mêmes que celles que vous obtiendriez si vous inversiez l'ordre de votre série chronologique et que vous génériez des prévisions à la fin de celle-ci.

Les coefficients représentent les estimations finales des valeurs pour les paramètres du modèle. Les coefficients sont les nombres par lesquels les valeurs du terme sont multipliées dans le modèle ARIMA.

L'erreur type du coefficient (Coef ErT) estime la variabilité entre les estimations des paramètres que vous obtiendriez si vous préleviez des échantillons dans la même population de façon répétée. Utilisez l'erreur type de l'estimation pour mesurer la précision de l'estimation des paramètres. Plus l'erreur type est petite, plus l'estimation est précise.

La valeur de t mesure le rapport entre le coefficient et son erreur type.

La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude.

La somme des carrés pour les valeurs résiduelles représente la somme des valeurs résiduelles avec les estimations des paramètres finales, en excluant les prévisions rétrospectives. Minitab utilise la somme des carrés pour calculer le carré moyen de l'erreur.

Le carré moyen de l'erreur est une mesure de l'exactitude du modèle ajusté. En règle générale, plus les valeurs de carré moyen de l'erreur sont basses, meilleur est l'ajustement du modèle. Utilisez le carré moyen de l'erreur pour comparer les valeurs ajustées de différents modèles ARIMA.

Les degrés de liberté représentent la quantité d'informations dans vos données. Minitab utilise les degrés de liberté pour les valeurs résiduelles afin de calculer le carré moyen de l'erreur.

La matrice de corrélation affiche la corrélation pour chaque paire de termes dans le modèle. Si les estimations des paramètres sont fortement corrélées, vous devez réduire le nombre de paramètres pour simplifier le modèle.