Scalpo
Nuovo Utente
- Registrato
- 14/12/00
- Messaggi
- 2.328
- Punti reazioni
- 118
Ho un lm multiplo che mi restituisce dei residui che, a loro volta ho modellato con un ARIMA(2,0,2) ma che non mi soddisfa completamente, in quanto dall’ACF dei res^2 si evince ancora correlazione al primo lag.
Le diagnostiche dell’ARIMA(2,0,2) e dei sui residui sono:
arima(x = Xt, order = c(2, 0, 2))
Coefficients:
ar1 ar2 ma1 ma2 intercept
0.7491 -0.2279 -0.5963 0.0119 0
s.e. 0.0858 0.0987 0.0908 0.1145 NaN
sigma^2 estimated as 4.603e-17: log likelihood = 19998.12, aic = -39984.25
durbin.watson test: 2.000438
Breusch-Pagan test: 0.0061, df = 1, p-value = 0.9375
Box-Ljung test: X-squared = 0.5757, df = 5, p-value = 0.989
Kurtosis: 8.363638
Jarque Bera Test: X-squared = 1409.345, df = 2, p-value < 2.2e-16
Shapiro-Wilk normality test: W = 0.942, p-value < 2.2e-16
Da risorse on rete ho letto che ho due strade per risolvere il problema:
1. Si stimano gli stardard errors robusti secondo la tecnica suggerita da
Bollerslev-Wooldridge: in R non esiste una funzione specifica che perme-
tte di farlo in modo semplice, `e necessario costruirsi la funzione da s`e. In
altri software, ad esempio E-views, esiste l’opzione specifica per calcolare
questi standard errors robusti, i quali sono, appunto, “robusti” rispetto
alla deviazione dalla normalit`a dei residui.
2. Si specifica una distribuzione dei residui diversa dalla normale e si cal-
cola la verosimiglianza sulla base di questa distribuzione. Se le code sono
troppo pesanti, invece di una distribuzione normale si può specificare una
distribuzione t di Student. Ma in R non so come si faccia.
Per cui mi rimane la possibilità 1. Ma non ho documentazione, in rete non ho trovato nulla di specifico, qualcuno conosce la procedura per poter sviluppare il software relativo? o può suggerire testi dove trovare il procedimento esatto, o in alternativa suggerite altre strade..?
allego l'ACF dell'arima:
Le diagnostiche dell’ARIMA(2,0,2) e dei sui residui sono:
arima(x = Xt, order = c(2, 0, 2))
Coefficients:
ar1 ar2 ma1 ma2 intercept
0.7491 -0.2279 -0.5963 0.0119 0
s.e. 0.0858 0.0987 0.0908 0.1145 NaN
sigma^2 estimated as 4.603e-17: log likelihood = 19998.12, aic = -39984.25
durbin.watson test: 2.000438
Breusch-Pagan test: 0.0061, df = 1, p-value = 0.9375
Box-Ljung test: X-squared = 0.5757, df = 5, p-value = 0.989
Kurtosis: 8.363638
Jarque Bera Test: X-squared = 1409.345, df = 2, p-value < 2.2e-16
Shapiro-Wilk normality test: W = 0.942, p-value < 2.2e-16
Da risorse on rete ho letto che ho due strade per risolvere il problema:
1. Si stimano gli stardard errors robusti secondo la tecnica suggerita da
Bollerslev-Wooldridge: in R non esiste una funzione specifica che perme-
tte di farlo in modo semplice, `e necessario costruirsi la funzione da s`e. In
altri software, ad esempio E-views, esiste l’opzione specifica per calcolare
questi standard errors robusti, i quali sono, appunto, “robusti” rispetto
alla deviazione dalla normalit`a dei residui.
2. Si specifica una distribuzione dei residui diversa dalla normale e si cal-
cola la verosimiglianza sulla base di questa distribuzione. Se le code sono
troppo pesanti, invece di una distribuzione normale si può specificare una
distribuzione t di Student. Ma in R non so come si faccia.
Per cui mi rimane la possibilità 1. Ma non ho documentazione, in rete non ho trovato nulla di specifico, qualcuno conosce la procedura per poter sviluppare il software relativo? o può suggerire testi dove trovare il procedimento esatto, o in alternativa suggerite altre strade..?
allego l'ACF dell'arima: