Selecione as opções de análise para Previsão com o melhor modelo ARIMA

Especifique qual critério de informação usar para selecionar o melhor modelo ARIMA.

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.

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.

In Nível de confiança, entrar no nível de confiança para os limites de probabilidade das previsões. Os limites de probabilidade tratam o valor da previsão como uma variável aleatória.

Em geral, um nível de confiança de 95% funciona bem. Para o limite de probabilidade para um valor de previsão, 95% indica que a probabilidade de o valor da previsão cair no intervalo que os limites definem é de 0,95.

Use uma transformação Box-Cox de uma série temporal para tentar tornar a variância da série estacionária. A variância estacionária é um requisito para um modelo ARIMA. Use um gráfico de série temporal para determinar se a variância de uma série temporal está parada. Se a série temporais tem um padrão na disseminação dos pontos, então a variância não está estacionária.