Logística/Técnicas de previsão/Métodos ARIMA de Box-Jenkins/Identificação do modelo: diferenças entre revisões
[edição não verificada] | [edição não verificada] |
Conteúdo apagado Conteúdo adicionado
Correcções |
Correcções |
||
Linha 35:
Tendo tudo isto em conta, é preferível trabalhar com modelos simples
O objectivo é desenvolver o mais simples dos modelos que consegue fornecer uma descrição adequada das principais características dos dados ([[Logística/Referências#refbHANKE|Hanke et al., 2008, p. 409]]).
▲A escolha de modelos ARIMA é feita através da visualização do gráfico da série e associação de padrões de autocorrelação e autocorrelação parcial com padrões teóricos conhecidos de processos ARIMA. No entanto, este procedimento, apresenta alguma subjectividade e é possível que, dois ou mais modelos iniciais apresentem resultados consistentes na comparação dos padrões. Ainda para mais, depois da estimação de parâmetros e análise do modelo, podemos ter ainda dois que representem adequadamente os dados. Se os modelos em causa, conterem o mesmo número de parâmetros, opta-se pelo que tiver menor <math>s^2</math>. Se os modelos apresentarem diferente número de parâmetros, o princípio da parcimónia leva à selecção do modelos mais simples. No entanto, o modelo com maior número de parâmetros pode ter um <math>s^2</math> consideravelmente menor ([[Logística/Referências#refbHANKE|Hanke et al., 2008, p. 431]]).
▲Uma abordagem utilizada na escolha do modelo é o critério de informação de Akaike, ou ''AIC'', que selecciona o melhor modelo dentro de um grupo de candidatos que minimiza
<math>AIC = \ln {\hat{\sigma}^2} + \frac{2}{n} r</math>
Linha 61 ⟶ 60:
|}
Outra
<math> BIC = \ln {\hat{\sigma}^2} + \frac{\ln n}{n} r</math>
|