选择模型

2019独角兽企业重金招聘Python工程师标准>>>

在验证序列平稳后，需要为 ARIMA 模型指定参数 p、d和q，从前文可得到 d = 1

通过ACF图和PACF图来选择备选模型

#如效果图1
> par(mfrow=c(2,1))
> Acf(dNile)   #forecast包中的Acf()用于为ARIMA模型选择合适的参数，并拟合最终评估模型的拟合效果
> Pacf(dNile)  #forecast包中的Pacf()用于ARIMA模型找出最适合的参数

                     图1 一次差分后的Nile 序列的自相关和偏自相关图

 

 下表给出ARIMA模型的方法

                                    选择ARIMA模型的方法

模型	ACF	PACF
ARIMA(p,d,0)	逐渐减小到零	在p阶后减小到零
ARIMA(0,d,q)	q阶后减小到零	逐渐减小到零
ARIMA(p,d,q)	逐渐减小到零	逐渐减小到零

对于图1中的Nile序列，可以看到滞后阶数为1（Lag=1）时有一个比较明显的自相关，

而当滞后阶数逐渐增加时，偏相关逐渐减少至零，因此可以考虑ARIMA(0,1,1)模型

下一步拟合模型

 

转载于:https://my.oschina.net/u/1785519/blog/1563593