Graeme Walsh 在这里解释了如何更好地查看拟合而不仅仅是系数： ARIMA 模型解释

这里 David J Harris 描述了模型选择参数 AIC、BIC 等的差异。 AIC、BIC、CIC、DIC、EIC、FIC、GIC、HIC、IIC --- 我可以互换使用它们吗？

这里有一个关于 ARMA 模型的较早问题 如何在 python statsmodel 的 ARMA 模型中选择要估计的参数？

你的问题：*我想尽可能多地讲述所有这些数字。*

1）第一部分是描述性的（如简单的名称和选择的模型）+一些度量，如 AIC、BIC、HQIC，这些度量将可能性与参数和数据点的数量混合在一起。各种文本解释了它们与选择 ARMA 模型的关系。一个例子是：

从本课程http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/tsa.htm

第 9 课的第 50 页解释了 AIC 倾向于过度拟合，而 BIC 是一致的，因为它更多地惩罚 axtra 参数，但是 AIC 更好地模拟一个可能具有无限顺序的过程（我不确定这意味着什么，但想象一个顺序随样本量增长）

2）第二部分是模型参数的值加上它们的估计值。

标准误差涉及对预测值误差的估计（预测值与基础“真实”模型值的差异）。这是一个常客的概念。如果实验将（可能）进行多次（残差分布相同），误差将如何分布（简单地说：残差项对我的参数估计的影响有多强，比如说如果我用相似的误差项分布进行另一个测试，那么仅仅因为一组不同的剩余误差项，我可以找到多少不同的参数？）。该误差称为“标准误差”，因为用标准差或二阶矩的估计来表示误差的估计。这个错误可能是通过一些精确的公式或不太精确的公式计算出来的，

z这似乎是系数值的标准化值。它是只是另一种表达方式，而不是真正的新信息。在我看来是一个 t 检验。$z=coef/std.error$$P(\vert z \vert)$

95% conf interval也没有新信息，似乎是系数值+/-某个标准误差的数值。百分比是指程序将在此间隔中包含正确值的概率/频率。

典型的统计解释适用于这三个概念。但请注意 Graeme Walsh 在链接参考中的评论，即单独查看所有这些参数并不是很好。

3）第三部分，复数，与模型特征方程的根有关。

例如，这里对此进行了解释： https ://en.wikipedia.org/wiki/Autoregressive%E2%80%93moving-average_model#Specification_in_terms_of_lag_operator

使用特征方程可以表达几个理论结果。另请参阅 Graeme Walsh ARIMA 模型解释的答案

例如，在您的情况下，您会看到模数始终 >1，因此该过程是静止的。

您可以使用 pi 权重来帮助您解释/破译/解释模型。pi 权重是通过将 ma 多项式除以 ar 多项式获得的。以这种方式呈现（即作为纯 ar），模型的参数只是过去的加权平均值。再见了您的模型在我的经验中的方式，我的意思是“方式”由于模型不佳而过度参数化，即基于列表的选择策略而不是迭代自检多阶段方法。需要通过结合脉冲指标来处理异常值，而不是折磨 ar 和 ma 系数来解释异常。通常，您还可以有一个非常量的误差方差，可以通过 GLS 或合适的幂变换来处理。最后可能会有模型参数变化的时间断点。