Este valor indica o número de iterações necessárias para se obter a soma dos quadrados dos erros (SSE). O algoritmo ARIMA realiza até 25 iterações para ajustar um modelo. Se a solução não convergir, armazene os coeficientes estimados na subcaixa de diálogo Armazenar, e execute a análise novamente inserindo a coluna de coeficientes armazenados em Valores de partida para coeficientes. Os parâmetros estimados podem ser armazenados e usados como valores iniciais para um ajuste subsequente sempre que necessário.
O algoritmo também pode falhar em convergir caso você inclua uma constante no modelo. É possível tentar executar a análise novamente sem a constante.
O SSE é a soma dos quadrados dos resíduos. Ele quantifica a variação nos dados que o modelo ARIMA não explica. O Minitab exibe o SSE para cada iteração do algoritmo ARIMA.
O SSE indica a precisão do modelo ajustado, a cada iteração. Quanto menor o valor, mais preciso será o ajuste do modelo. Se você estiver comparando os modelos ou as condições de partida, comparar vários valores finais de SSE pode ser significativo. No entanto, talvez um único valor final de SSE não seja intuitivamente significativo.
Os parâmetros são os coeficientes estimados para os parâmetros do modelo a cada iteração. A tabela mostra o progresso do algoritmo ARIMA conforme ele tenta convergir para uma solução. Para cada iteração seguinte, o algoritmo ajusta as estimativas dos parâmetros de uma forma que prevê que deve reduzir a SSE em comparação com a iteração anterior. As iterações continuam até que o algoritmo seja incapaz de reduzir a soma dos quadrados ainda mais, seja encontrado um problema que impeça a iteração seguinte ou o Minitab atinja o número máximo de iterações.
As previsões retroativas são os valores ajustados para intervalos de tempo antes do início da sua série. Os valores das previsões retroativas são os mesmos que você teria se tivesse invertido a ordem de sua série histórica e gerado previsões no final da série inversa.
Os coeficientes são as estimativas finais dos valores para os parâmetros do modelo. Os coeficientes são os números pelos quais os valores do termo são multiplicados no modelo ARIMA.
O erro padrão do coeficiente (Coef de SE) estima a variabilidade entre a estimativa de parâmetro que seria obtida caso fossem extraídas amostras da mesma população por vezes seguidas. Use o erro padrão da estimativa para medir a precisão da estimativa de parâmetros. Quanto menor o erro padrão, mais precisa é a estimativa.
O valor-t mede a razão entre o coeficiente e seu erro padrão.
O Minitab usa o valor-t para calcular o valor-p, usado para testar se o coeficiente é significativamente diferente de 0.
É possível usar o valor-t para determinar se a hipótese nula deve ser rejeitada. No entanto, o valor-p é usado com mais frequência porque o limite para a rejeição da hipótese nula não depende dos graus de liberdade.
O valor de p é uma probabilidade que mede a evidência contra a hipótese nula. As probabilidades inferiores fornecem evidências mais fortes contra a hipótese nula.
A soma dos quadrados dos resíduos é o somatório dos resíduos utilizando as estimativas dos parâmetros finais, exceto as previsões retroativas. O Minitab usa a soma dos quadrados para calcular o quadrado médio do erro.
O quadrado médio do erro é uma medida da precisão do modelo ajustado. Em geral, os valores menores de quadrado médio do erro indicam um modelo de ajuste melhor. Use o quadrado médio do erro para comparar ajustes de diferentes modelos ARIMA.
Os graus de liberdade são a quantidade de informações em seus dados. O Minitab usa os graus de liberdade dos resíduos para calcular o quadrado médio do erro.
A matriz de correlação mostra a correlação para todos os pares de termos no modelo. Se as estimativas de parâmetros são altamente correlacionadas, considere a redução do número de parâmetros para simplificar o modelo.