Tableau de sélection du modèle

Trouvez des définitions et des conseils d’interprétation pour le tableau Sélection du modèle.

Le tableau de sélection du modèle comprend une ligne pour chaque modèle candidat dans la recherche qui avait des paramètres estimables. Le tableau ordonne le modèle en diminuant l’ajustement afin que le meilleur modèle se trouve dans la première ligne.

Modèle

L’en-tête de la colonne modèle fournit les ordres de différenciation saisonniers et non saisonniers pour tous les modèles du tableau.

d: L’ordre de différenciation non saisonnière indique le nombre de fois que vous soustrayez la valeur de données précédente de la valeur de données actuelle.
D: L’ordre de différenciation saisonnière indique le nombre de fois que vous soustrayez la valeur de la saison précédente de la valeur des données actuelles.

Les lignes indiquent l’ordre des termes autorégressifs et de moyenne mobile pour les modèles.

p: L’ordre du terme autorégressif non saisonnier est le nombre de valeurs précédentes (décalages) qui affectent la valeur actuelle.
q: L’ordre du terme de moyenne mobile non saisonnière est le nombre de termes d’erreur précédents (décalages des erreurs de prévision) qui affectent la valeur actuelle.
P: L’ordre du terme autorégressif saisonnier est le nombre de décalages de la saison précédente qui sont significativement corrélés avec la saison en cours.

Q: L’ordre de la moyenne mobile saisonnière est le nombre de termes d’erreur précédents (décalages des erreurs de prévision) de la saison précédente qui affectent la valeur actuelle.

Log de vraisemblance

L’analyse utilise la log de vraisemblance d’un modèle dans les calculs des critères d’information.

Interprétation

Habituellement, vous utilisez les critères d’information pour comparer les modèles, car la probabilité de journal ne peut pas diminuer lorsque vous ajoutez des termes à un modèle. Par exemple, un modèle comportant 5 termes a un log de vraisemblance plus élevé que les modèles à 4 termes que vous pouvez créer avec les mêmes termes. Cependant, le log de vraisemblance est le plus utile lorsque vous comparez des modèles de même taille. Pour les modèles avec le même nombre de termes, plus la log de vraisemblance est élevée, mieux le modèle s’adapte aux données.

AIC, AICc et BIC

Le critère d’information d’Akaike (AIC), le critère d’information d’Akaike corrigé (AICc) et le critère d’information bayésien (BIC) sont des mesures de la qualité relative d’un modèle qui tiennent compte de l’ajustement et du nombre de termes dans le modèle.

Interprétation

Utilisez les valeurs AIC, AICc et BIC pour comparer différents modèles. Les valeurs faibles sont les valeurs souhaitables. Cependant, le modèle avec la valeur la plus faible pour un ensemble de termes ne correspond pas nécessairement bien aux données. Utilisez également des tests et des graphiques pour évaluer dans quelle mesure le modèle s’adapte aux données.

AICc et AIC: Lorsque l'effectif d'échantillon est relativement faible par rapport au nombre de paramètres dans le modèle, l'AICc offre de meilleurs résultats que l'AIC. L'AICc est une meilleure option car, avec des échantillons relativement petits, l'AIC tend à être faible pour les modèles qui incluent trop de paramètres. Généralement, ces deux statistiques donnent des résultats similaires quand l'effectif d'échantillon est suffisamment élevé par rapport au nombre de paramètres dans le modèle.
AICc et BIC: Les valeurs AICc et BIC évaluent toutes deux la probabilité du modèle, puis ajoutent une pénalité pour l'ajout de termes. Cette pénalité réduit la tendance du système à surajuster le modèle aux données échantillons. Cette réduction permet généralement de produire un modèle qui fonctionne mieux.; De manière générale, quand le nombre de paramètres est relativement faible par rapport à l'effectif d'échantillon, une plus grande pénalité est appliquée à la valeur BIC qu'à la valeur AICc pour l'ajout de chaque paramètre. Dans ce cas, le modèle qui fournit la plus faible valeur BIC tend à être plus petit que celui qui fournit la plus faible valeur AICc.