वहाँ tseries::arma
की तुलना में तीन छोटे मुद्दों की तुलना stats::arima
में ARMA मॉडल में थोड़ा अलग परिणाम का उपयोग करने tseries::arma
और ARIMA में ARIMA की तुलना में तीन अलग-अलग मुद्दे हैं stats::arima
।
गुणांक के मानों को शुरू करना: stats::arima
प्रारंभिक AR और MA गुणांक को शून्य पर सेट tseries::arma
करता है , जबकि गुणांक के प्रारंभिक मूल्यों को प्राप्त करने के लिए हन्नान और रिसेनेन (1982) में वर्णित प्रक्रिया का उपयोग किया जाता है।
उद्देश्य समारोह का पैमाना: tseries::arma
वर्गों, सशर्त राशियों के मूल्य को रिटर्न में उद्देश्य समारोह , आरएसएस; stats::arima
लौटता है 0.5*log(RSS/(n-ncond))
।
ऑप्टिमाइज़ेशन एल्गोरिदम: डिफ़ॉल्ट रूप से, Nelder-Mead का उपयोग किया जाता है tseries::arma
, जबकि stats::arima
BFGS एल्गोरिदम को नियोजित करता है।
पिछले एक को तर्क के माध्यम से बदला जा सकता है optim.method
, stats::arima
लेकिन अन्य को कोड को संशोधित करने की आवश्यकता होगी। नीचे, मैं स्रोत कोड (इस विशेष मॉडल के लिए न्यूनतम कोड) का एक संक्षिप्त संस्करण दिखाता हूं, stats::arima
जहां ऊपर वर्णित तीन मुद्दों को संशोधित किया गया है ताकि वे अंदर की तरह ही हों tseries::arma
। इन मुद्दों को संबोधित करने के बाद, जैसा परिणाम tseries::arma
प्राप्त होता है।
का न्यूनतम संस्करण stats::arima
(उपर्युक्त परिवर्तनों के साथ):
# objective function, conditional sum of squares
# adapted from "armaCSS" in stats::arima
armaCSS <- function(p, x, arma, ncond)
{
# this does nothing, except returning the vector of coefficients as a list
trarma <- .Call(stats:::C_ARIMA_transPars, p, arma, FALSE)
res <- .Call(stats:::C_ARIMA_CSS, x, arma, trarma[[1L]], trarma[[2L]], as.integer(ncond), FALSE)
# return the conditional sum of squares instead of 0.5*log(res),
# actually CSS is divided by n-ncond but does not relevant in this case
#0.5 * log(res)
res
}
# initial values of coefficients
# adapted from function "arma.init" within tseries::arma
arma.init <- function(dx, max.order, lag.ar=NULL, lag.ma=NULL)
{
n <- length(dx)
k <- round(1.1*log(n))
e <- as.vector(na.omit(drop(ar.ols(dx, order.max = k, aic = FALSE, demean = FALSE, intercept = FALSE)$resid)))
ee <- embed(e, max.order+1)
xx <- embed(dx[-(1:k)], max.order+1)
return(lm(xx[,1]~xx[,lag.ar+1]+ee[,lag.ma+1]-1)$coef)
}
# modified version of stats::arima
modified.arima <- function(x, order, seasonal, init)
{
n <- length(x)
arma <- as.integer(c(order[-2L], seasonal$order[-2L], seasonal$period, order[2L], seasonal$order[2L]))
narma <- sum(arma[1L:4L])
ncond <- order[2L] + seasonal$order[2L] * seasonal$period
ncond1 <- order[1L] + seasonal$period * seasonal$order[1L]
ncond <- as.integer(ncond + ncond1)
optim(init, armaCSS, method = "Nelder-Mead", hessian = TRUE, x=x, arma=arma, ncond=ncond)$par
}
अब, दोनों प्रक्रियाओं की तुलना करें और जाँचें कि एक ही परिणाम मिलता है ( x
प्रश्न के शरीर में ओपी द्वारा उत्पन्न श्रृंखला की आवश्यकता है )।
चुने गए प्रारंभिक मूल्यों का उपयोग करना tseries::arima
:
dx <- diff(x)
fit1 <- arma(dx, order=c(3,3), include.intercept=FALSE)
coef(fit1)
# ar1 ar2 ar3 ma1 ma2 ma3
# 0.33139827 0.80013071 -0.45177254 0.67331027 -0.14600320 -0.08931003
init <- arma.init(diff(x), 3, 1:3, 1:3)
fit2.coef <- modified.arima(x, order=c(3,1,3), seasonal=list(order=c(0,0,0), period=1), init=init)
fit2.coef
# xx[, lag.ar + 1]1 xx[, lag.ar + 1]2 xx[, lag.ar + 1]3 ee[, lag.ma + 1]1
# 0.33139827 0.80013071 -0.45177254 0.67331027
# ee[, lag.ma + 1]2 ee[, lag.ma + 1]3
# -0.14600320 -0.08931003
all.equal(coef(fit1), fit2.coef, check.attributes=FALSE)
# [1] TRUE
stats::arima
(शून्य) में चुने गए प्रारंभिक मानों का उपयोग करना :
fit3 <- arma(dx, order=c(3,3), include.intercept=FALSE, coef=rep(0,6))
coef(fit3)
# ar1 ar2 ar3 ma1 ma2 ma3
# 0.33176424 0.79999112 -0.45215742 0.67304072 -0.14592152 -0.08900624
init <- rep(0, 6)
fit4.coef <- modified.arima(x, order=c(3,1,3), seasonal=list(order=c(0,0,0), period=1), init=init)
fit4.coef
# [1] 0.33176424 0.79999112 -0.45215742 0.67304072 -0.14592152 -0.08900624
all.equal(coef(fit3), fit4.coef, check.attributes=FALSE)
# [1] TRUE
fit1
केवल 1 एमए और 1 एआर पैरामीटर है: क्या आपका मतलब हैfit1<-arma(diff(x,1,lag=1),c(3,3),include.intercept=F)
?