我正在使用 forecast
包中的 auto.arima
函数拟合模型。例如,我得到一个 AR(1) 模型。然后我从这个模型中提取残差。这如何产生与原始向量相同数量的残差?如果这是一个 AR(1) 模型,那么残差的数量应该比原始时间序列的维度少 1。我错过了什么?
例子:
require(forecast)
arprocess = as.numeric(arima.sim(model = list(ar=.5), n=100))
#auto.arima(arprocess, d=0, D=0, ic="bic", stationary=T)
# Series: arprocess
# ARIMA(1,0,0) with zero mean
# Coefficients:
# ar1
# 0.5198
# s.e. 0.0867
# sigma^2 estimated as 1.403: log likelihood=-158.99
# AIC=321.97 AICc=322.1 BIC=327.18
r = resid(auto.arima(arprocess, d=0, D=0, ic="bic", stationary=T))
> length(r)
[1] 100
更新:深入研究 auto.arima
的代码,我发现它使用了 Arima
,而后者又使用了 stats:::arima
.因此,问题实际上是 stats:::arima
如何计算第一次观察的残差?
最佳答案
残差是实际值减去拟合值。对于第一次观察,拟合值是过程的估计平均值。对于后续观察,拟合值是先前观察的 $\phi$ 倍,假设已经估计了一个 AR(1) 过程。
关于R中的残差使用auto.arima和预测包,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/18665168/