我正在尝试拟合 ARIMA 模型，并且我已经评估了一些变体，最终选择了 ARIMA(1,1,3) 模型。残差似乎不相关，所有滞后都很重要。然而，在这个模型中，甚至在我尝试过的所有其他模型中，残差的正态性条件总是被违反，当根据正态分布绘制时，它们看起来像这样。
我应该以某种方式转换我的数据吗？我已经使用自然对数和一阶差分来使数据平稳，或者当我有很多观察值 (1,5M) 时我可以忽略这个假设吗？
ARIMA 中的非正态残差
机器算法验证
有马
残差
正态假设
2022-04-06 09:05:57
3个回答
您的 QQplots 可能表明- 分布式误差项可能更适合。您可以尝试使用 ARIMA 模型拟合- 分布式创新术语，看看适合度是否与您现在的适合度有很大不同。我用 bug 软件做过这样的事情，当然还有其他选择。
在执行 ARIMA 模型之前，您必须检查数据是否是平稳的，以及是否应使用自相关 (ACF) 和偏相关函数 (PACF) 定义任何季节性。自相关应遵循 95% 的置信区间。使用运行序列图或自相关检测固定数据。
如果它不是静止的，你可能不得不去趋势它。我的猜测是它不是静止的。
如果残差包含脉冲或电平偏移，这可能导致“非正态性”。尝试检测干预并根据需要添加它们。残差表现出非正态性的另一种方式是，如果误差方差存在确定性变化，建议使用加权最小二乘法，或者如果模型的参数随着时间的推移不是恒定的，建议数据分割。
其它你可能感兴趣的问题