使用
为什么会发生这种情况?
考虑两个模型:
(1) AR(1) (2) AR(2),其中AR2系数被限制为零
在纸上,这两个模型是相同的。然而,它们的估计可能不同。不确定为什么它们会产生相等的系数估计、相等的对数似然值和相等的AIC值,但是不同的BIC值。
由于似然度相等且AIC值相等,而BIC值不同,因此在估计中使用的观测值数量必须不同。然而,暗示的观测值数量差异不是1或2,而是更大。
这是否合理,还是一个错误?
我想知道区别在哪里以及在情况(2)下如何计算BIC。我希望能够重现结果,因此需要了解这里的工作原理。
下面我提供一个可复现的示例。在R中执行后,请查看打印的BIC和AICc值——它们在两个模型之间是不同的。
同样适用于AR(p)和MA(q)模型,为了保持简单,我不会明确讨论它们。
希望有人能解释一下为什么会发生这种情况。谢谢!
forecast
包中的arima()
函数来估计同一个AR(或MA)模型的不同指定方式会产生不同的BIC(贝叶斯信息准则)值。为什么会发生这种情况?
考虑两个模型:
(1) AR(1) (2) AR(2),其中AR2系数被限制为零
在纸上,这两个模型是相同的。然而,它们的估计可能不同。不确定为什么它们会产生相等的系数估计、相等的对数似然值和相等的AIC值,但是不同的BIC值。
由于似然度相等且AIC值相等,而BIC值不同,因此在估计中使用的观测值数量必须不同。然而,暗示的观测值数量差异不是1或2,而是更大。
这是否合理,还是一个错误?
我想知道区别在哪里以及在情况(2)下如何计算BIC。我希望能够重现结果,因此需要了解这里的工作原理。
下面我提供一个可复现的示例。在R中执行后,请查看打印的BIC和AICc值——它们在两个模型之间是不同的。
library(forecast)
T=1000; seed=1; set.seed(seed); x=rnorm(T)
model1=arima(x,order=c(1,0,0) ,method="CSS-ML",transform.pars=FALSE)
model2=arima(x,order=c(2,0,0),fixed=c(NA,0,NA),method="CSS-ML",transform.pars=FALSE)
print(model1)
print(model2)
同样适用于AR(p)和MA(q)模型,为了保持简单,我不会明确讨论它们。
希望有人能解释一下为什么会发生这种情况。谢谢!