Tabela Seleção do modelo

Encontre definições e orientações de interpretação para a tabela Selecione do Modelo.

A tabela de seleção do modelo inclui uma linha para cada modelo candidato na pesquisa que tinha parâmetros estimáveis. A tabela ordena o modelo diminuindo o ajuste para que o melhor modelo esteja na primeira linha.

Modelo

O cabeçalho da coluna modelo fornece as ordens sazonais e não sazonais de diferenciação para todos os modelos da tabela.

d: A ordem de diferenciação não sazonal indica o número de vezes que você subtrai o valor de dados anterior do valor atual dos dados.
D: A ordem de diferenciação sazonal indica o número de vezes que você subtrai o valor da temporada anterior do valor atual dos dados.

As linhas mostram a ordem dos termos médios autoregressivos e móveis para os modelos.

p: A ordem do termo autoregressivo não sazonal é o número de valores anteriores (lags) que afetam o valor atual.
q: A ordem do prazo médio móvel não sazonal é o número de termos de erro anteriores (atrasos dos erros de previsão) que afetam o valor atual.
P: A ordem do termo autoregressivo sazonal é o número de defasagens da temporada anterior que estão significativamente correlacionados com a temporada atual.

Q: A ordem do prazo médio móvel sazonal é o número de termos de erro anteriores (atrasos dos erros de previsão) da temporada anterior que afetam o valor atual.

Log-verossimilhança

A análise utiliza a log-verossimilhança para um modelo nos cálculos para os critérios de informação.

Interpretação

Normalmente, você usa os critérios de informação para comparar modelos porque a log-verossimilhança não pode diminuir quando você adiciona termos a um modelo. Por exemplo, um modelo com 5 termos tem maior log-verossimilhança do que quaisquer dos modelos de 4 termos que você pode criar com os mesmos termos. Portanto, o log-verossimilhança é mais útil quando você compara modelos do mesmo tamanho. Para modelos com o mesmo número de termos, quanto maior a log-verossimilhança, melhor o modelo se encaixa nos dados.

AIC, AICc e BIC

O Critério de Informação de Akaike (AIC), o Critério de Informação de Akaike Corrigido (AICc) e o Critério de Informação Bayesiano (BIC) são medidas da qualidade relativa de um modelo que consideram o ajuste e a quantidade de termos no modelo.

Interpretação

Use o AIC, AICc e BIC para comparar modelos diferentes. É desejável que o resultado apresente valores menores. No entanto, o modelo com o menor valor para um conjunto de termos não necessariamente ajusta bem os dados. Além disso use os testes e os gráfico para avaliar se o modelo ajusta bem os dados.

AICc e BIC: Quando o tamanho da amostra é pequeno em relação aos parâmetros do modelo, o AICc funciona melhor do que o AIC. AICc funciona melhor porque, com tamanhos de amostra relativamente pequenos, o AIC tende a ser pequeno para modelos com muitos parâmetros. Em geral, as duas estatísticas dão resultados semelhantes quando o tamanho da amostra é grande o bastante em relação aos parâmetros no modelo.
AICc e BIC: Tanto AICc como BIC avaliam a verossimilhança do modelo e aplicam uma penalidade para adicionar termos ao modelo. Tal penalidade reduz a tendência de sobreajuste do modelo aos dados amostrais. Essa redução pode produzir um modelo com melhor desempenho geral.; Como orientação geral, quando o número de parâmetros é pequeno em relação ao tamanho amostral, o BIC tem uma penalidade maior do que o AICc para a adição de cada parâmetro. Nesses casos, o modelo que minimiza o BIC tende a ser menor do que o modelo que minimiza o AICc.