Question

有人可以解释为什么ARMA（1,0）模型与AR匹配maxlags = 1不匹配吗？这些模型的不同之处是什么？

a = [ 6.12970357,  6.13318109,  6.12992128,  6.1273058 ,  6.12839643,
            6.12424563,  6.11080196,  6.10680013,  6.0860927 ,  6.07901746,
            6.0872292 ,  6.08381584,  6.08107671,  6.08881808,  6.06819407,
            6.06471499,  6.0537349 ,  6.05255967,  6.04334514,  6.03572065]


ar1model = ar_model.AR(a).fit(maxlag=1)
ar1model.params

数组（[ - 0.09735684,1.01516508]）

model10=ARMA(a, (1,0)).fit()
model10.params

数组（[6.08423432,0.97711525]）

Answer 1

我的猜测是，ARMA通过重新参数化强加了平稳性，而AR却没有。

此外，ARMA常数是长期平均值，而AR常数来自动态方程y_t = const + b * y_{t-1}。在具有|b| < 1的固定AR（1）中，长期常数将为const / (1 - b)。

ARMA模型的参数化是以残差为基础的，即它是具有ARMA误差的回归模型：

A（L）（y_t-const）= B（L）u_t

或ARMA（1,0）案例

y_t - const - b（y_ {t-1} - const）= u_t 或为y_t写的 y_t = b y_ {t-1} - （1 - b）const + u_t

请参阅示例https://jsfiddle.net/Leankppt/和http://robjhyndman.com/hyndsight/arimax/以了解两种可能的参数化。

结果差异的其他来源，特别是在小样本中可能是不同的默认初始化或不同的默认估计算法，并且在病态条件问题中，起始值也可能对最终结果产生影响。一般来说，AR和ARMA都假设过程是静止的，而结果表明根是一个并且可能不是静止的。也许估计差异系列会产生更好的结果。

（我对statsmodels中的AR实现并不熟悉。）

statsmodels arma（1,0）与AR（1）不匹配

1 个答案: