Selection criteria for ARIMA models.

Peña Sánchez de Rivera, Daniel, and Arnáiz Tovar, Gonzalo. "Criterios de selección de modelos ARIMA.." Trabajos de Estadística e Investigación Operativa 32.1 (1981): 70-93. <http://eudml.org/doc/40664>.

@article{PeñaSánchezdeRivera1981,
abstract = {Este trabajo compara la eficiencia de algunos contrastes diagnósticos para discriminar entre modelos ARIMA, y discute la utilización en este contexto del criterio de Información de Akaike (MAIC). Hemos demostrado que el MAIC equivale a un contraste F para probar si la reducción de varianza aportada por la introducción de nuevos parámetros es significativa. El nivel crítico de este contraste es variable en función del número incremental de parámetros introducidos.Los resultados teóricos se ilustran con un experimento de simulación. La conclusión principal respecto a los contrastes diagnósticos evaluados es que la eficacia del estadístico Q de Box-Pierce aumenta al utilizarlo conjuntamente con un contraste de rachas sobre los signos de los coeficientes de autocorrelación simple. El contraste para la normalidad de Kolmogorov-Smirnov, aplicado a la distribución de los residuos, parece ser de escasa utilidad para detectar errores en la estructura de los modelos. Finalmente, discutimos los problemas de utilizar un modelo automático de selección y presentamos, mediante casos publicados en la literatura especializada, los riesgos asociados a procedimientos automáticos de construcción de modelos.},
author = {Peña Sánchez de Rivera, Daniel, Arnáiz Tovar, Gonzalo},
journal = {Trabajos de Estadística e Investigación Operativa},
keywords = {Series temporales},
language = {spa},
number = {1},
pages = {70-93},
title = {Criterios de selección de modelos ARIMA.},
url = {http://eudml.org/doc/40664},
volume = {32},
year = {1981},
}

TY - JOUR
AU - Peña Sánchez de Rivera, Daniel
AU - Arnáiz Tovar, Gonzalo
TI - Criterios de selección de modelos ARIMA.
JO - Trabajos de Estadística e Investigación Operativa
PY - 1981
VL - 32
IS - 1
SP - 70
EP - 93
AB - Este trabajo compara la eficiencia de algunos contrastes diagnósticos para discriminar entre modelos ARIMA, y discute la utilización en este contexto del criterio de Información de Akaike (MAIC). Hemos demostrado que el MAIC equivale a un contraste F para probar si la reducción de varianza aportada por la introducción de nuevos parámetros es significativa. El nivel crítico de este contraste es variable en función del número incremental de parámetros introducidos.Los resultados teóricos se ilustran con un experimento de simulación. La conclusión principal respecto a los contrastes diagnósticos evaluados es que la eficacia del estadístico Q de Box-Pierce aumenta al utilizarlo conjuntamente con un contraste de rachas sobre los signos de los coeficientes de autocorrelación simple. El contraste para la normalidad de Kolmogorov-Smirnov, aplicado a la distribución de los residuos, parece ser de escasa utilidad para detectar errores en la estructura de los modelos. Finalmente, discutimos los problemas de utilizar un modelo automático de selección y presentamos, mediante casos publicados en la literatura especializada, los riesgos asociados a procedimientos automáticos de construcción de modelos.
LA - spa
KW - Series temporales
UR - http://eudml.org/doc/40664
ER -