> ar1fit> ar1fit
Call:
arima(x = ar1, order = c(1, 1, 0), include.mean = FALSE)
Coefficients:
ar1
0.6512
s.e. 0.0578
sigma^2 estimated as 0.9409: log likelihood = -236.31, aic = 476.63
> tsdiag(ar1fit)
Poiché il p- value non è sempre superiore a 0,5 allora il processo non descrive bene i dati reali.
Stima dei parametri ar2
> ar22fit> ar22fit
Call:
arima(x = ar22, order = c(2, 1, 0), include.mean = FALSE)
Coefficients:
ar1 ar2
0.0527 -0.0252
s.e.
sigma^2 estimated as 0.1816: log likelihood = -95.65, aic = 197.3
> tsdiag(ar22fit)
Anche in questo caso il p- value non è sempre superiore a 0,5 allora il processo non descrive bene i dati reali.
Stima dei parametri ma1
> fitma1> fitma1
Call:
arima(x = ma1, order = c(0, 1, 1))
Coefficients:
ma1
-0.5363
s.e. 0.0755
sigma^2 estimated as 0.8968: log likelihood = -232.14, aic = 468.27
> tsdiag(fitma1)
Anche in questo caso il p- value non è sempre superiore a 0,5 allora il processo non descrive bene i dati reali.
Stima dei parametri ARIMA
> arimafit> arimafit
Call:
arima(x = arima1, order = c(1, 1, 1), include.mean = FALSE)
Coefficients:
ar1 ma1
-0.0405 0.4255
s.e. 0.2204 0.2044
sigma^2 estimated as 0.9271: log likelihood = -234.87, aic = 475.74
> tsdiag(arimafit)
Poiché il p- value si mantiene sempre al di sopra della soglia dello 0,5 allora il modello ARIMA descrive in modo efficiente la nostra serie.