Estudie la significancia de parámetros en un modelo ajustado
Los parámetros estimados del modelo pueden ser pequeños, más pequeños que el estimador de varianza previsto. Esto puede indicar una necesidad de usar un modelo más simple o más estructurado.
Obtenga una muestra al azar mediante la aplicación de un filtro de promedio móvil en una señal de ruido blanco.
| In[1]:= |  X |
| Out[1]= |  |
Encaje un modelo de serie temporal con media de cero en los datos.
| In[2]:= |  X |
| Out[2]= |  |
Muestre las tablas de parámetros, visualizando los parámetros de serie temporal estimados, sus desviaciones estándar, así como las correspondientes estadísticas de la prueba 
y valor 
.
| In[3]:= |  X |
| Out[3]= |  |
La tabla de parámetro indica que el coeficiente autorregresivo 
no es significantemente diferente de cero. Encuentre la estimación de máxima verosimilitud de un modelo MA(1).
| In[4]:= |  X |
| Out[4]= |  |
El criterio de información de Akaike favorece el modelo MA(1) estimado MLE.
| In[5]:= |  X |
| Out[5]= |  |
Calcule el intervalo de confianza del 95% del parámetro promedio en movimiento.
| In[6]:= |  X |
| Out[6]= |  |
