Auto ARIMA Summary 설명

Auto Arima Summary Table 설명

ARIMA 모형을 다루면 꼭 봐야하는 Table이다. 한번의 시행으로 모형을 정한다면 Auto ARIMA의 결과를 보지 않을 수 있으나 통계적 모델인 만큼 유의성 검증이 필요하다.

 

기본적인 설명

ARIMA는 차분과 이동평균선 모형의 차수로 y = a(0) + p(0) + a(1) + p(1) ... 이런식으로 단순한 모형에서 복잡한 모형으로 만들어간다.

 

(1) 위의 Summary Table에서 중요한 점은 Log Likelihood의 값이 내가 이전 시행 모델 보다 커졌는지가 중요하다. 우도의 결과가 보통 Positive Value 이지만 음수여도 꼭 모델이 틀린 것은 아니다. 이 의미는 "모델이 data에 fit한지 보는 것" 이다. (클 수록 잘 fit)

 

(2) AIC, BIC, HQIC 모두 Akaike's, Bayesian, Hannan-Quinn의 Information Criterion이다. 모형의 복잡한 모델에 대해 패널티를 부여해 값을 낮춰 주는데 낮을 수록 좋다. 

 

(3) 통계모형이라면 빠질 수 없는 유의 확률 P-value 이다. 위 모형은 ar.L1 Lag1 차분 결과 값에서 P value가 0으로 < 0.05 보다 작으므로 귀무가설을 기각할 수 있다. 아래 ma.L1 Lag 1에서의 MA모형의 결과에서도 동일하다. 다만 L2에서 유의성 만족하지 않는 것으로 ARIMA 모형이 ARIMA(1, 0, 2) MA lag 2에서 멈추었다. 

 

위 3가지를 보통 모형을 판별할때 보고 Ljung-Box (LB)와 같이 자기 상관성 존재 여부를 보고 다른 모형을 적용할 수 있다.