の分析オプションを選択するベスト ARIMA モデルによる予測

最適な ARIMA モデルを選択するために使用する情報量基準を指定します。

AICcとBICは両方とも、モデルの尤度を評価し、モデルに項を追加したときにペナルティを適用します。このペナルティにより、モデルがサンプルデータに過剰適合する傾向を減少させます。こうした減少により、通常のモデルのパフォーマンスを改善できます。

一般的なガイドラインとして、パラメーター数がサンプルサイズよりも少ない場合、BICにおける各パラメーターの追加に対するペナルティはAICcよりも大きくなります。これらのケースでは、BICを最小化するモデルは、AICcを最小化するモデルよりも小さくなる傾向があります。

サンプルサイズがモデル内のパラメータよりも小さい場合、AICcの性能はAICよりも良くなります。サンプルサイズがかなり小さいとき、パラメーター数が多すぎるモデルではAICは小さくなる傾向があるので、AICcの性能の方が良くなります。サンプルサイズがモデルのパラメータ数に対して十分な大きさがある場合は、通常、どちらの統計量でも同じ結果が得られます。

に 信頼水準、予測の確率限界の信頼度を入力します。確率限界は、予測値を確率変数として扱います。

通常、95%の信頼水準が適切です。予測値の確率限界の場合、95% は、予測値が限界が定義する間隔に収まる確率が 0.95 であることを示します。

時系列のボックスーコックス変換を使用して、系列の分散を定常化しようとします。定常分散は、ARIMA モデルの要件です。時系列プロットを使用して、時系列の分散が定常的かどうかを判断します。時系列に点の広がりにパターンがある場合、分散は定常ではありません。