Librerías R forecast::auto.arima vs fable:ARIMA ¿cuáles son las diferencias?
La documentación en línea indica que el algoritmo subyacente es el mismo para estimar los modelos (s)Arima. Durante algunas pruebas, con un conjunto de datos de Kaggle, obtuve diferentes modelos: la función ARIMA me mostró un sArima, auto.arima solo un modelo Arima.
auto.arima(tsbble_item1_store1$sales)
da como resultado
Mejor modelo: ARIMA(5,1,2)
y
tsbble_item1_store1 %>%
model(arima = ARIMA(sales))
da como resultado
# Una tabla: 1 x 2
# Clave: tienda [1]
tienda arima
<dbl> <modelo>
1 1 <ARIMA(1,1,3)(0,0,2)[7]>
Tengo modelos muy diferentes. Por cierto, la función fable de Arima me muestra un mejor modelo, porque controla la estacionalidad en comparación con la función auto.arima, que no lo hace, y los datos muestran una estacionalidad evidente.
¿Alguien sabe las principales diferencias en los parámetros predeterminados cuando las dos funciones intentan estimar el modelo, porque no lo entendí en la documentación?
Lo siento si cometí algunos errores.
Gracias de antemano.
Que tengas un buen día.
MC
davy.ai
Es posible que las diferencias en los modelos estimados por la función
auto.arima
y el modeloarima
del paquetefable
se deban a las diferencias en los parámetros predeterminados utilizados por cada función.auto.arima
utiliza un algoritmo paso a paso para seleccionar el mejor modelo ARIMA basado en los valores del Criterio de Información de Akaike (AIC) y el Criterio de Información Bayesiano (BIC). Selecciona automáticamente el orden de diferenciación y los órdenes de los términos AR, I y MA según el valor más bajo de AIC o BIC.Por otro lado, la función
arima
del paquetefable
estima el modelo basado en el orden especificado de los términos ARIMA. Permite incluir regresores, indicadores estacionales o términos de Fourier, y seleccionar diferentes métodos de estimación (por ejemplo, maximización de la verosimilitud exacta o algoritmo de suma de cuadrados condicional).Por lo tanto, las diferencias en los modelos estimados por estas dos funciones pueden deberse a los diferentes parámetros predeterminados utilizados por cada función. Específicamente, la función
auto.arima
puede haber seleccionado un modelo ARIMA no estacional basado en los valores de AIC o BIC, mientras que la funciónarima
del paquetefable
puede haber especificado un modelo ARIMA estacional basado en la estacionalidad detectada en los datos.También es posible que las diferencias en los modelos se deban al conjunto de datos específico que se está utilizando y que se necesite una exploración y experimentación adicionales para comprender las discrepancias.