在使用R中的函数arma{tseries}和arima{stats}拟合ARMA模型时,我发现了一些奇怪的事情。
这两个函数采用的估计过程有根本性的不同,arima{stats}中采用卡尔曼滤波器,而arma{tseries}中采用的是最大似然估计。
考虑到两个函数之间估计过程的差异,如果我们使用相同的时间序列,不应该预期两个函数的结果会有根本性的不同。
但事实证明它们确实存在巨大的差异!
生成以下时间序列并添加2个异常值。
set.seed(1010)
ts.sim <- abs(arima.sim(list(order = c(1,0,0), ar = 0.7), n = 50))
ts.sim[8] <- ts.sim[12]*8
ts.sim[35] <- ts.sim[32]*8
使用这两个函数拟合ARMA模型。
# Works perfectly fine
arima(ts.sim, order = c(1,0,0))
# Works perfectly fine
arma(ts.sim, order = c(1,0))
将时间序列的级别乘以十亿倍
# Introduce a multiplicative shift
ts.sim.1 <- ts.sim*1000000000
options(scipen = 999)
summary(ts.sim.1)
使用以下两个函数拟合ARMA模型:
# Works perfectly fine
arma(ts.sim.1, order = c(1,0))
# Does not work
arima(ts.sim.1, order = c(1,0,0))
## Error in solve.default(res$hessian * n.used, A): system is
computationally singular: reciprocal condition number = 1.90892e-19
当我使用SAS软件成功运行proc x12程序进行季节性测试时,我发现在R上进行相同操作却出现了以上错误。这让我非常怀疑SAS的结果,但事实证明,可能只是与arima{stats}有关。
有人能否详细说明以上错误的原因,以及它如何限制我们使用arima{stats}来拟合模型?