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])
答案 0 :(得分:2)
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。)