综合自回归移动平均 (ARIMA) 的模型统计量

请查找定义和解释指导,了解随 ARIMA 提供的每个模型统计量。

迭代

此值指示获取误差平方和 (SSE) 所需的迭代次数。ARIMA 算法将最多执行 25 次迭代以拟合模型。如果解中不包括收敛,请将估计的系数存储在存储子对话框上,然后再次运行分析并在系数的初始值中输入存储系数列。可以存储估计的参数,并在任何需要的时候将其用作后续拟合的初始值。

由于在模型中包括了一个常量,因此该算法可能还无法收敛。您可以尝试在没有常量的情况下重新执行分析。

SSE

SSE 是平方残差和。它对数据中未由 ARIMA 模型解释的变异进行量化。Minitab 对于 ARIMA 算法的每次迭代都显示 SSE。

解释

SSE 指示每次迭代时拟合模型的准确度。此值越小,表示模型的拟合越准确。如果要比较模型或初始条件,则比较多个最终 SSE 值是有意义的。而单个最终 SSE 值的意义可能就不是很直观。

参数

这些参数是在每次迭代时为模型中的参数估计的系数。下表显示 ARIMA 算法在尝试收敛一个解时的进度。在每次后续迭代时,算法会以预测应当会使 SSE 相比上一次迭代减小的一种方式,调整参数估计值。迭代将继续,直到算法无法进一步减小平方和、出现阻止后续迭代的问题或 Minitab 达到最大迭代次数。

向后预测

向后预测值是序列开始之前的时间间隔的拟合值。向后预测值与在反转序列(通过颠倒时间序列的顺序而获得)末端生成的预测值相同。

系数

系数是模型中参数值的最终估计值。系数是 ARIMA 模型中要与项值相乘的数值。

系数标准误

系数的标准误 (SE Coef) 估计参数估计值之间的变异,参数估计值是通过反复从样本总体中抽取样本而得到的。使用估计值的标准误可以度量参数估计值的精度。标准误越小,估计值越精确。

T

t 值用来度量系数与其标准误之间的比值。

解释

Minitab 使用 t 值计算 p 值,该 p 值可用于检验系数是否与 0 显著不同。

您可以使用 t 值来确定是否要否定原假设。但是,通常会使用 p 值,因为无论自由度是多少,否定原假设的阈值都相同。

参数最终估计值的 P 值

P 值是一个概率,用来度量否定原假设的证据。概率越低,否定原假设的证据越充分。

解释

要确定响应与模型中每个项之间的关联在统计意义上是否显著,请将该项的 p 值与显著性水平进行比较以评估原假设。原假设为每个项与 0 的差别不太显著,这表明该项与响应之间不存在关联。通常,显著性水平(用 α 或 alpha 表示)为 0.05 即可。显著性水平 0.05 指示当该项显著不同于 0 时,判定该项与 0 的差别不显著的风险为 5%。
P 值 ≤ α:该项在统计意义上显著
如果 p 值小于或等于显著性水平,则可以得出系数在统计意义上显著的结论。
P 值 > α:该项在统计意义上不显著
如果 p 值大于显著性水平,则无法得出系数在统计意义上显著的结论。您可能希望重新拟合没有该项的模型。

SS

残差的平方和是使用最终参数估计值(不包括向后预测值)的残差的总和。Minitab 使用平方和来计算均方误。

MS

均方误是拟合模型的准确度的度量。均方误的值越小通常表示拟合模型越好。使用均方误可以比较不同 ARIMA 模型的拟合度。

自由度

自由度是数据中的信息量。Minitab 使用残差的自由度来计算均方误。

估计参数的相关矩阵

相关矩阵显示模型中每一对项的相关。如果参数估计值高度相关,请考虑减少参数数量来简化模型。

使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策