Parametersignifikanz in der Modellanpassung testen
Die geschätzten Parameter des Modells sind möglicherweise klein - kleiner als der erwartete Schätzwert für die Varianz. Dies könnte darauf hindeuten, dass ein einfacheres oder strukturierteres Modell besser mit den Daten zu vereinbaren wäre.
Erstellen Sie eine Zufallsstichprobe, indem Sie ein weißes Rauschsignal mit dem gleitenden Mittelwert tiefpassfiltern.
| In[1]:= |  X |
| Out[1]= |  |
Stellen Sie die Daten in einem Zeitreihenmodell mit Mittelwert Null dar.
| In[2]:= |  X |
| Out[2]= |  |
Erstellen Sie Parametertabellen, die die geschätzten Zeitreihenparameter und deren Standardabweichungen sowie die entsprechende 
-Teststatistik und den 
-Wert anzeigen.
| In[3]:= |  X |
| Out[3]= |  |
Die Parametertabelle zeigt an, dass der autoregressive Koeffizient 
nicht signifikant von Null verschieden ist. Ermitteln Sie die Maximum-Likelihood-Schätzung des MA(1)-Modells.
| In[4]:= |  X |
| Out[4]= |  |
Akaikes Informationskriterium begünstigt das mit der Maximum-Likelihood-Methode geschätzte MA(1)-Modell.
| In[5]:= |  X |
| Out[5]= |  |
Berechnen Sie das 95 %-Konfidenzintervall des gleitenden Mittelwerts.
| In[6]:= |  X |
| Out[6]= |  |
