توضیحات
ABSTRACT
There are many model order selection criteria that have been applied to the AR order selection problem. Some of these criteria such as FPE, FSC, MFSC, and FPEF are based on minimizing the prediction error, but we are not able to claim that these criteria are optimal in the sense of prediction error. Here, an optimal predictive order selection criterion for AR model will be obtained when input noise of model is white Gaussian noise. Then, we will apply this criterion to simulated data and compare its performance with that of other AR order selection criteria. Simulation results show that the new criterion has lowerprediction error than the other AR order selection criteria.
INTRODUCTION
AR model is widely used in many fields of science and engineering. In many applications, it is used for modelling a time series. In these applications, we have to determine the number of the necessary parameters to describe the time series ‘behaviour. Hence it is important to obtain the appropriate order for the model. So, AR order selection is an important problem in the field of modelling. Here, we have introduced AR order selection criteria based on prediction error and information theory in the large and finite sample case. In the simulation results, we have computed the average of prediction error of these criteria to compare with the prediction error of the optimal predictive order selection criterion that obtained in this paper. Final prediction error (FPE) as an estimate of PE has been derived for the large sample (asymptotic) case in which the number of given data (N) is much larger than maximum candidate order (qmax). It is well-known that this criterion is biased in the finite sample case. Akaike information criterion (AIC) , Bayes information criterion (BIC) , minimum description length (MDL) criterion , Kullback information criterion (KIC), corrected AIC criterion (AICc ) , and corrected KIC criterion (KICc ) are other AR order selection criteria based on information theory that have been derived in the large sample case.
چکیده
معیارهای انتخاب نمونه ای از مدل که برای انتخاب مشکل سفارش AR استفاده می شود وجود دارد. بعضی از این معیارها مانند FPE، FSC، MFSC و FPEF بر کاهش خطای پیش بینی مبتنی هستند، اما ما نمیتوانیم ادعا کنیم که این معیارها به معنای خطای پیش بینی مطلوب هستند. در اینجا، یک معیار انتخاب نظم مطلوب برای مدل AR به دست می آید زمانی که نویز ورودی مدل صدای سفید گاوسی باشد. سپس، این معیار را به داده های شبیه سازی شده اعمال می کنیم و عملکرد آن را با معیار انتخاب دیگر AR مقایسه می کنیم. نتایج شبیه سازی نشان می دهد که معیار جدید دارای خطای پیش بینی کمتری نسبت به معیارهای انتخاب دیگر AR است.
مقدمه
مدل AR به طور گسترده ای در زمینه های مختلف علوم و مهندسی استفاده می شود. در بسیاری از برنامه های کاربردی، برای مدل سازی سری زمانی استفاده می شود. در این برنامه ها، ما باید تعدادی از پارامترهای لازم را برای توصیف رفتار سری های زمانی تعیین کنیم. از این رو مهم است که سفارش مناسب برای مدل بدست آوریم. بنابراین انتخاب سفارش AR یک مشکل مهم در زمینه مدل سازی است. در اینجا، ما معیارهای انتخاب نظم AR را بر مبنای خطای پیش بینی و تئوری اطلاعات در پرونده نمونه بزرگ و محدودی معرفی کرده ایم. در نتایج شبیه سازی، میانگین خطای پیش بینی این معیارها را با مقایسه خطای پیش بینی معیار انتخاب نظم مطلوب که در این مقاله به دست آمد، محاسبه کردیم. خطای پیش بینی نهایی (FPE) به عنوان برآورد PE برای پرونده نمونه بزرگ (asymptotic) که در آن تعداد داده های داده شده (N) بسیار بزرگتر از حداکثر حداکثر کاندید (qmax) است، استخراج شده است. به خوبی شناخته شده است که این معیار در نمونه نمونه محدود شده است. معیار اطلاعات Akaike (AIC)، معیار اطلاعات Bayes (BIC)، معیار حداقل مفهوم ابعاد (MDL)، معیار اطلاعات Kullback (KIC)، معیار AIC اصلاح شده (AICc) و معیار اصلاح KIC (KICc) در نظریه اطلاعات که در نمونه نمونه بزرگ گرفته شده است.
Year: 2010
Publisher : Eighteenth International Energy Conference of Iran
By : Model order selection, AR model, Prediction
File Information: Persian Language/ 5 Page / size: 734 KB
سال :1389
ناشر : هجدهمین کنفرانس بین المللی برق ایران
کاری از : انتخاب مدل سفارش، مدل AR، پیش بینی
اطلاعات فایل : زبان فارسی / 5 صفحه / حجم : KB 734
نقد و بررسیها
هنوز بررسیای ثبت نشده است.