次数の選択とは? わかりやすく解説

次数の選択

出典: フリー百科事典『ウィキペディア(Wikipedia)』 (2021/11/12 14:49 UTC 版)

自己回帰和分移動平均モデル」の記事における「次数の選択」の解説

次数pおよびqは、サンプル自己相関関数ACF)、偏自己相関関数(PACF)、拡張自己相関関数(EACF)法を用いて決定することができる。 その他の代替法として、AICBICなどがある。非季節性ARIMAモデル次数決定するためには赤池情報量規準AIC)が有用である。AIC次のように書かれるAIC = − 2 log ⁡ ( L ) + 2 ( p + q + k ) , {\displaystyle {\text{AIC}}=-2\log(L)+2(p+q+k),} ここで、Lはデータ尤度、pは自己回帰モデル部分次数、qは移動平均モデル部分次数であり、k'ARIMAモデル切片を表す。AICでは k = 1の場合ARIMAモデル切片があり(c ≠ 0)、k = 0場合ARIMAモデル切片がない(c = 0)ことになる。 ARIMAモデル補正AICは、次のように書くことができる。 AICc = AIC + 2 ( p + q + k ) ( p + q + k + 1 ) T − p − q − k − 1 . {\displaystyle {\text{AICc}}={\text{AIC}}+{\frac {2(p+q+k)(p+q+k+1)}{T-p-q-k-1}}.} ベイズ情報量規準BIC)は、次のように書くことができる。 BIC = AIC + ( ( log ⁡ T ) − 2 ) ( p + q + k ) . {\displaystyle {\text{BIC}}={\text{AIC}}+((\log T)-2)(p+q+k).} 目標は、良いモデルAIC、AICc、BICの値を最小化することである。調査するモデル範囲でこれらの基準一つの値が低ければ低いほど、そのモデルデータ適している。AICBIC2つのまったく異な目的使用されるAICモデル現実状況に近づけようとするのに対しBICは完全な適合性みつけようとする。BICアプローチは、現実複雑なデータ完璧にフィットすることはないと批判されることが多いが、AIC比べてパラメータが多いことでモデル大きなペナルティ与えるため、選択のための有効な手法であることに変わりはない。 AICcは、差分次数等しARIMAモデル比較にのみ使用できる差分次数異なARIMAモデルについては、RMSEモデルの比較使用することができる。

※この「次数の選択」の解説は、「自己回帰和分移動平均モデル」の解説の一部です。
「次数の選択」を含む「自己回帰和分移動平均モデル」の記事については、「自己回帰和分移動平均モデル」の概要を参照ください。

ウィキペディア小見出し辞書の「次数の選択」の項目はプログラムで機械的に意味や本文を生成しているため、不適切な項目が含まれていることもあります。ご了承くださいませ。 お問い合わせ



英和和英テキスト翻訳>> Weblio翻訳
英語⇒日本語日本語⇒英語
  

辞書ショートカット

すべての辞書の索引

「次数の選択」の関連用語

1
4% |||||

次数の選択のお隣キーワード
検索ランキング

   

英語⇒日本語
日本語⇒英語
   



次数の選択のページの著作権
Weblio 辞書 情報提供元は 参加元一覧 にて確認できます。

   
ウィキペディアウィキペディア
Text is available under GNU Free Documentation License (GFDL).
Weblio辞書に掲載されている「ウィキペディア小見出し辞書」の記事は、Wikipediaの自己回帰和分移動平均モデル (改訂履歴)の記事を複製、再配布したものにあたり、GNU Free Documentation Licenseというライセンスの下で提供されています。

©2025 GRAS Group, Inc.RSS