ทั่วไป อัต เคลื่อนไหว เฉลี่ย โมเดล

glarma: Linear Autoregressive Linear Generalized Models เฉลี่ยกับ. ความสามารถในการจำแนกตัวเลขที่เป็นตัวเลขซึ่งน้อยกว่าความอดทนที่กำหนดไว้เป็นศูนย์ โมเดลสำหรับ glarma ถูกระบุเป็นสัญลักษณ์ รูปแบบทั่วไปมีรูปแบบ y (การตอบสนอง), X (เงื่อนไข) ที่ y คือนับหรือตัวตอบสัญญาณของเวกเตอร์, X คือชุดของคำที่ระบุตัวทำนายเชิงเส้นสำหรับการตอบสนอง ควรสังเกตว่าคอลัมน์แรกของ X ควรเป็นเวคเตอร์ของ 1s เป็นแบบตัดขวางในโมเดล สี่ค่าเริ่มต้นที่ต้องประมาณจะถูกรวมเข้ากับ delta (beta, phi, theta, alpha) โดยที่ alpha เป็นพารามิเตอร์ที่เป็นทางเลือกเพื่อรองรับโมเดลสองตัวในเชิงลบ โปรดทราบว่าใน glm. nb ฟังก์ชันจากแพคเกจ MASS พารามิเตอร์นี้เรียกว่า theta สำหรับการแจกแจงการแจกแจงแบบปัวซองและการตอบสนองเชิงลบจะมีการใช้ลิงก์ล็อกเกอร์ในปัจจุบัน สำหรับการตอบสนองแบบทวินามลิงค์ logit ใช้อยู่ในปัจจุบัน โมเดลเฉลี่ยเคลื่อนที่แบบเชิงเส้นโดยรวมที่คำนวณได้ดังต่อไปนี้ ตัวทำนายเชิงเส้นสำหรับการตอบสนองคือ log (mut) Wt transpose (Xt) beta offset Zt ค่าเฉลี่ยเคลื่อนที่ที่ไม่มีที่สิ้นสุดจากตัวทำนเชิงเส้นคือผลรวม Zt (ส่วนที่เหลือของ gammai (t-i)) ค่าเฉลี่ยเคลื่อนที่ที่ไม่มีขีด จำกัด นี้คำนวณโดยใช้ค่าเฉลี่ยเคลื่อนที่ถ่วงเวลา Zt phi1 (Z (t-1) e (t-1)) phip (Z e (t-p)) theta1 e. thetaq e โดยที่ p และ q เป็นคำสั่งของ phi และ theta ตามลำดับและการไม่ล่าช้าที่ไม่ใช่ศูนย์ของ vectors phi และ theta อาจถูกระบุโดยผู้ใช้ผ่าน arguments phiLag และ thetaLag มีสองประเภทที่เหลืออยู่ซึ่งอาจใช้ในการทวนซ้ำแต่ละครั้งส่วนที่เหลือของเพียร์สันหรือคะแนนที่เหลืออยู่และนอกจากนี้สำหรับการแจกแจงแบบสองทางอาจใช้ข้อมูลประจำตัวที่เหลือได้ ค่าเฉลี่ยเคลื่อนที่ที่ไม่มีขีด จำกัด Zt ขึ้นอยู่กับชนิดของเศษที่ใช้เช่นเดียวกับพารามิเตอร์สุดท้ายที่ได้จากตัวกรอง มาตรฐานเพื่อนับจำนวนครั้งที่สังเกตในอดีตเป็นสิ่งที่จำเป็นเพื่อหลีกเลี่ยงความไม่มีเสถียรภาพดังนั้นผู้ใช้ควรเลือกชนิดของเศษที่เหมาะสมขึ้นอยู่กับสถานการณ์ วิธีการประมาณค่าพารามิเตอร์ที่ใช้ในฟังก์ชั่นมีจุดมุ่งหมายเพื่อเพิ่มโอกาสในการบันทึกโดยใช้วิธีการซ้ำตั้งแต่ค่าเริ่มต้นที่เลือกไว้อย่างเหมาะสมสำหรับพารามิเตอร์ เริ่มต้นจากค่าเริ่มต้นเดลต้าหมวก (0) สำหรับเวกเตอร์ของพารามิเตอร์การปรับปรุงจะได้รับการใช้ iterations delta (k1) delta (k) โอเมก้า (deltak) อนุพันธ์แรกของ log (deltak) ที่โอเมก้า (delta hat (k)) คือบางส่วน เลือกเมทริกซ์อย่างเหมาะสม การวนซ้ำจะดำเนินต่อไปสำหรับ k gt 1 จนกว่าจะมีการหาความลู่เข้าหรือจำนวนซ้ำที่ k จะถึงขีด จำกัด สูงสุดที่ผู้ใช้ระบุไว้ในการทำซ้ำสูงสุดในกรณีนี้จะหยุดลง เกณฑ์การรวมกันที่ใช้ในการดำเนินการของเรานั้นขึ้นอยู่กับ eta ค่าสัมบูรณ์สูงสุดของตราสารอนุพันธ์อันดับแรก เมื่อ eta มีค่าน้อยกว่าการกำหนดค่าที่ผู้ใช้ระบุไว้การทำซ้ำจะหยุดลง มีสองวิธีในการเพิ่มประสิทธิภาพของโอกาส, Newton-Raphson และ Fisher ให้คะแนน วิธีการที่ใช้ระบุโดยอาร์กิวเมนต์ ควรสังเกตว่าถ้าค่าเริ่มต้นสำหรับพารามิเตอร์ไม่ได้รับการเลือกอย่างเหมาะสมการเพิ่มประสิทธิภาพของโอกาสอาจล้มเหลวในการรวมกัน ต้องมีการดูแลเมื่อต้องการใช้ข้อกำหนด ARMA แบบผสมเนื่องจากมีโอกาสที่จะไม่สามารถระบุค่า AR และ MA ได้หากใบสั่งซื้อ p และ q มีขนาดใหญ่เกินไป การขาดตัวบ่งชี้ระบุตัวเองในอัลกอริธึมเพื่อเพิ่มโอกาสที่จะไม่บรรจบกันและไม่สามารถตรวจสอบข้อความเตือนและรหัสข้อผิดพลาดของลู่เข้า คุณสามารถใช้สรุปฟังก์ชัน (เช่น summary. glarma) เพื่อรับหรือพิมพ์สรุปผลลัพธ์ coef. glarma หน้าที่ทั่วไป (เช่น coef. glarma), logLik (เช่น logLik. glarma) ติดตั้ง (เช่น fitted. glarma) เศษ (เช่น residuals. glarma), nobs (เช่น nobs. glarma), model. frame (เช่นแบบจำลอง. frame. glarma) และ extractAIC (เช่น extractAIC. glarma) สามารถนำมาใช้เพื่อแยกแยะคุณสมบัติที่เป็นประโยชน์ต่างๆของค่าที่ส่งกลับโดย glarma glarma จะส่งกลับวัตถุที่มีส่วนประกอบของชั้นเรียน: Enhanced PDF (344 KB) รูปแบบของอนุกรมเวลาถูกสร้างขึ้นโดยการรวมผลกระทบที่ไม่เป็นไปได้เช่นแนวโน้มกับกระบวนการสุ่มซึ่งเชื่อว่าเป็นนิ่ง แม้ว่าความคงที่ของกระบวนการอ้างอิงเป็นสิ่งสำคัญเพื่อให้แน่ใจว่าคุณสมบัติที่พึงประสงค์หรือแม้กระทั่งความถูกต้องของตัวประมาณทางสถิติมีหลายแบบอนุกรมเวลาที่ stationarity นี้ยังไม่ได้พิสูจน์ อุปสรรคสำคัญคือวิธีการที่ใช้บ่อยที่สุดถือว่าสมมติฐาน x3C6 เป็นภาวะที่สามารถถูกละเมิดได้สำหรับคลาสที่สำคัญของแบบจำลองที่ขับเคลื่อนด้วยการสังเกตการณ์ที่ไม่ต่อเนื่อง เราแสดงการหยุดนิ่ง (เข้มงวด) สำหรับคลาสของโมเดล GARMA (Generalized Autoregressive Moving Average) ซึ่งมีอะนาล็อกแบบยืดหยุ่นสำหรับโมเดล ARMA สำหรับนับข้อมูลไบนารีหรือข้อมูลที่ไม่ต่อเนื่องอื่น ๆ เราทำเช่นนี้จากสองมุมมอง ขั้นแรกเราจะแสดงเงื่อนไขภายใต้รูปแบบของ GARMA ที่มีการแจกจ่ายแบบ stationary ที่ไม่ซ้ำกัน (เพื่อให้มีการหยุดนิ่งโดยอัตโนมัติเมื่อเริ่มต้นใช้งานในการแจกจ่ายนั้น) ผลลัพธ์นี้อาจก่อให้เกิดรากฐานสำหรับการแสดงความสม่ำเสมอและความสม่ำเสมอตามแนวตั้งของตัวประมาณความเป็นไปได้สูงสุดสำหรับโมเดล GARMA เนื่องจากข้อสรุปเหล่านี้ไม่ได้เป็นแบบทันที แต่เรายังใช้แนวทางที่สอง เราแสดง stationarity และ ergodicity ของรุ่นกระวนกระวายใจของแบบจำลอง GARMA ซึ่งใช้ความจริงที่ว่ารูปแบบการรบกวนเป็น x3C6 - ลดลงและทันทีที่นัยประมาณของค่าเฉลี่ยความล่าช้าที่ล่าช้าและ functionals อื่น ๆ ของกระบวนการตกอกตกใจ เราเกี่ยวข้องกับกระบวนการที่ถูกรบกวนและเป็นต้นฉบับโดยการแสดงให้เห็นว่าโมเดลที่ทำให้เกิดการรบกวนจะให้ค่าประมาณโดยประมาณซึ่งใกล้เคียงกับรูปแบบดั้งเดิม ข้อมูลวันที่เผยแพร่ครั้งแรกในโครงการ Euclid: 8 August 2011 ลิงก์ถาวรของเอกสารนี้ projecteuclid. orgeuclid. ejs1312818919 ตัวบ่งชี้วัตถุดิจิทัล doi: 10.121411-EJS627 Woodard, Dawn B. Matteson, David S. Henderson, Shane G. Stationarity of general motion autoregressive moving รุ่นเฉลี่ย อิเล็กตรอน. J. Statist 5 (2011), 800-828 ดอย: 10.121411-EJS627 projecteuclid. orgeuclid. ejs1312818919 อ้างอิงเอกสารอ้างอิง 1 Benjamin, M. A. Rigby, R. A. และ Stasinopoulos, D. M. (2003) แบบจำลองเฉลี่ยถ่วงน้ำหนักอัตโนมัติแบบทั่วไป วารสารสมาคมสถิติอเมริกัน 98 214x2013223 2 Billingsley, P. (1995) ความน่าจะเป็นและการวัด 3rd ed. Wiley, New York ความคิดเห็นจาก Mathematical (MathSciNet): MR1324786 3 Bougerol, P. และ Picard, N. (1992) ความคงที่อย่างเคร่งครัดของกระบวนการอัตโนมัติ autoregressive พงศาวดารแห่งความน่าจะเป็น 20 Brockwell, P. J. และ Davis, R. A. (1991) ซีรี่ส์เวลา: ทฤษฎีและวิธีการ 2nd ed. Springer-Verlag, New York ความเห็นของ Mathematical (MathSciNet): MR1093459 5 Chan, K. S. และ Ledolter, J. (1995) การประมาณค่า Monte Carlo EM สำหรับแบบจําลองอนุกรมเวลาที่เกี่ยวข้องกับการนับ วารสารสมาคมสถิติอเมริกัน 90 242x2013252.6 Cox, D. R. (1981) การวิเคราะห์ทางสถิติของชุดข้อมูล: การพัฒนาล่าสุดบางส่วน วารสารสถิติสแกนดิเนเวียน 8. 93x2013115 คำวิจารณ์ทางคณิตศาสตร์ (MathSciNet): MR623586 7 Davis, R. Dunsmuir, W. T. M. และ Streett, S. B (2003) แบบสังเกตการณ์ที่ขับเคลื่อนด้วยสำหรับจำนวน Poisson Biometrika 90 777x2013790.8 Durbin, J. และ Koopman, S. J. (2000). การวิเคราะห์อนุกรมเวลาของการสังเกตการณ์ที่ไม่ใช่แบบเกาส์ตามโมเดลพื้นที่ของรัฐจากมุมมองทั้งแบบดั้งเดิมและแบบเบส์ วารสาร Royal Stastistical Society, แบบข. 62 3x201356.9 Ferland, R. Latour, A. และ Oraichi, D. (2006) กระบวนการ GARCH ที่มีค่าเป็นจำนวนเต็ม วารสารการวิเคราะห์อนุกรมเวลา 27. 923x2013942.10 Fokianos, K. Rahbek, A. และ Tjostheim, D. (2009) อัตถิภาวนิยม Poisson วารสารสมาคมสถิติอเมริกัน 104 1430x20131439.11 Fokianos, K. และ Tjostheim, D. (2010) การไม่เกิดขึ้นของ Poisson Nonlinear ส่งมาเมื่อมีการร้องขอจาก K. Fokianos, www2.ucy. ac. cyfokianos 12 Fokianos, K. และ Tjostheim, D. (2011) Log-linear Poisson autoregression วารสารการวิเคราะห์หลายตัวแปร 102 563x2013578.13 Hairer, M. (2008). ทฤษฎีเลขชญาสำหรับกระบวนการ stochastic แบบอนันต์ รายงาน Oberwolfach 5 4, 2815x20132874 14 Hairer, M. และ Mattingly, J. C. (2006) Ergodicity ของสมการ 2D Navier-Stokes ที่มีการบังคับ stochastic ที่แย่ลง พงศาวดารของคณิตศาสตร์ 164 993x20131032.15 Jung, R. C. Kukuk, M. และ Liesenfeld, R. (2006) ชุดข้อมูลนับเวลา: การสร้างแบบจำลองการประมาณและการวินิจฉัย การคำนวณสถิติและการวิเคราะห์ข้อมูล 51. 2350x20132364 คำวิจารณ์ทางคณิตศาสตร์ (MathSciNet): MR2307505 16 LxE9on, L. F. และ Tsai, C. (1998) การประเมินความเพียงพอของรูปแบบสำหรับแบบจำลองแบบเวลาแบบถดถอยของมาร์คอฟ ชีวภาพ 54. 1165x20131175.17 Li, W. K. (1994). แบบจำลองของซีรีส์อนุกรมที่ขึ้นกับรูปแบบ Linear Generalized: ผลการค้นหาเพิ่มเติมบางอย่าง Biometrics 50 506x2013511 18 แมตเตสันดี. เอส. คลีนว. วชเวทวู้ดาร์ดดี. บี. และเฮนเดอร์สันเอส. จี. (2554) คาดการณ์อัตราการมาถึงของบริการฉุกเฉินทางการแพทย์ พงศาวดารของสถิติประยุกต์ 5. 1379x20131406.19 Meitz, M. และ Saikkonen, P. (2008). ความผิดพลาดการผสมและการดำรงอยู่ของช่วงเวลาของคลาสของโมเดล Markov กับการใช้งานกับโมเดล GARCH และ ACD ทฤษฎีเศรษฐมิติ 24 1291x20131320.20 Meyn, S. P. และ Tweedie, R. L. (1993). Markov Chains และเสถียรภาพแบบ Stochastic Springer-Verlag, London ความคิดเห็นเชิงคณิตศาสตร์ (MathSciNet): MR1287609 21 Roberts, G. O. และ Rosenthal, J. S. (2004) Markov chain และ MCMC ขั้นตอนทั่วไป การสำรวจความน่าจะเป็น 1. 20x201371.22 Talamantes, J. Behseta, S. และ Zender, C. S. (2007). แบบจำลองทางสถิติของข้อมูลวัลเล่ย์ไข้ในเคอร์นเคาน์ตี้รัฐแคลิฟอร์เนีย วารสารชีวเคมีนานาชาติ 51 307x2013313 23 Thorisson, H. (1995) วิธีการจับคู่ในทฤษฎีความน่าจะเป็น วารสารสถิติสแกนดิเนเวียน 22. 159x2013182 ความคิดเห็นทางคณิตศาสตร์ (MathSciNet): MR1339749 24 Tweedie, R. L. (1988) มาตรการที่ไม่เปลี่ยนแปลงสำหรับกลุ่ม Markov ที่ไม่มีข้อสมมติฐานที่ไม่สามารถลดหย่อนได้ วารสารความน่าจะเป็นประยุกต์ 25. 275x2013285.25 Zeger, S. L. (1988). แบบจำลองการถดถอยสำหรับชุดเวลานับ Biometrika 75 621x2013629.26 Zeger, S. L. และ Qaqish, B. (1988). แบบจำลองการถดถอยของมาร์คอฟสำหรับชุดข้อมูลเวลา: วิธีใกล้เคียงกับความเป็นไปได้ ชีวภาพ 44 1019x20131031.Generalized Autoregressive Moving Average Models หมายเหตุ: ควรตรวจสอบการอ้างอิงของคุณและทำการแก้ไขที่จำเป็นก่อนใช้ ใส่ใจกับชื่อการใช้อักษรตัวพิมพ์ใหญ่และวันที่ Journal of American Statistical Association รายละเอียด: วารสารสมาคมสถิติอเมริกัน (American Statistical Society - JASA) ได้รับการยกย่องให้เป็นวารสารชั้นนำของศาสตร์ทางสถิติ ดัชนีการอ้างอิงทางวิทยาศาสตร์ระบุว่า JASA เป็นวารสารที่ได้รับการยกย่องมากที่สุดในสาขาวิชาคณิตศาสตร์ในปีพศ. 2534-2544 โดยมีการอ้างอิง 16,457 ฉบับมากกว่าวารสารที่ตีพิมพ์ในวารสารมากกว่า 50 ฉบับ บทความใน JASA มุ่งเน้นไปที่การประยุกต์ใช้ทางสถิติทฤษฎีและวิธีการด้านเศรษฐศาสตร์สังคมเศรษฐกิจกายและวิทยาศาสตร์สุขภาพและวิธีการใหม่ของการศึกษาทางสถิติ ความครอบคลุม: 1922-2011 (ฉบับที่ 18, ฉบับที่ 137 - ฉบับที่ 106, ฉบับที่ 496) กำแพงที่เคลื่อนที่หมายถึงช่วงเวลาระหว่างฉบับล่าสุดที่มีอยู่ใน JSTOR และฉบับล่าสุดที่เผยแพร่เมื่อไม่นานมานี้ กำแพงเคลื่อนที่โดยทั่วไปจะแสดงในปี ในกรณีที่ไม่ค่อยพบผู้เผยแพร่โฆษณาเลือกที่จะมีกำแพงที่เคลื่อนที่เป็นศูนย์ดังนั้นปัญหาปัจจุบันของพวกเขาจึงพร้อมใช้งานใน JSTOR หลังจากที่ตีพิมพ์ หมายเหตุ: ในการคำนวณกำแพงเคลื่อนที่ปีปัจจุบันจะไม่ถูกนับ ตัวอย่างเช่นถ้าปีปัจจุบันเป็นปี 2008 และมีวารสารที่มีกำแพงเคลื่อนที่ 5 ปีมีบทความจากปี 2545 ข้อกำหนดเกี่ยวกับกำแพงเคลื่อนที่กำแพงถาวร: บันทึกที่ไม่มีวอลุ่มใหม่จะถูกเพิ่มลงในคลัง Absorbed: วารสารที่รวมกับชื่ออื่น Complete: วารสารที่ไม่มีการเผยแพร่อีกต่อไปหรือที่รวมกับชื่ออื่นแล้ว หัวข้อ: คณิตศาสตร์วิทยาศาสตร์คอลเลกชันสถิติคณิตศาสตร์คอลเลกชัน I, คอลเลกชันขององค์กรเพื่อการแสวงหาผลกำไรการริเริ่มเข้าถึงไม่ได้มีการเรียนรู้แบบคลาสสิกของโมเดลเฉลี่ยเคลื่อนที่แบบอัตถิภาวนิยม (GARMA) ที่ขยายความยืดหยุ่นแบบเกาส์ แบบจำลอง ARMA แบบเวลากับแบบจำลองการสังเกตการณ์แบบยืดหยุ่นสำหรับข้อมูลชุดเวลาแบบไม่ใช้ Gaussian ตัวแปรพึ่งพาจะถือว่ามีการแจกแจงรายละเอียดของเงื่อนไขของการแจกแจงครอบครัวที่ระบุประวัติการที่ผ่านมาของกระบวนการ การประมาณแบบจำลองจะดำเนินการโดยใช้อัลกอริทึมการคำนวณกำลังสองน้อยสุดที่มีการให้คะแนนใหม่ คุณสมบัติของรูปแบบรวมทั้ง stationary และช่วงเวลาเล็กน้อยจะได้รับอย่างใดอย่างหนึ่งหรืออย่างชัดเจนโดยใช้การจำลอง Monte Carlo ความสัมพันธ์ของโมเดล GARMA กับโมเดลอื่น ๆ จะแสดงรวมถึงโมเดลอัตถิภาวนิยมของ Zeger และ Qaqish โมเดลเฉลี่ยที่เคลื่อนที่ของ Li และแบบจำลองเงื่อนไข GARCH แบบจำลองเชิงกลที่มีเงื่อนไข autarpiding แบบ reparameterized โดยให้สูตรสำหรับช่วงเวลาที่ใกล้เคียงกับที่สี่ซึ่งไม่ได้มาก่อนหน้านี้ . แบบจำลองนี้แสดงให้เห็นโดยการใช้โมเดล GARMA กับการแจกแจงเงื่อนไขแบบมีเงื่อนไขในแง่ลบไปจนถึงชุดข้อมูลชุดเวลาที่รู้จักกันดีของจำนวนโปลิโอ ภาพย่อของหน้า JSTOR เป็นส่วนหนึ่งของ ITHAKA ซึ่งเป็นองค์กรที่ไม่หวังผลกำไรที่ช่วยให้ชุมชนวิชาการใช้เทคโนโลยีดิจิทัลเพื่อรักษาบันทึกทางวิชาการและพัฒนางานวิจัยและการสอนอย่างยั่งยืน copy2000-2017 ITHAKA สงวนลิขสิทธิ์. JSTORreg, โลโก้ JSTOR, JPASSreg และ ITHAKAreg เป็นเครื่องหมายการค้าจดทะเบียนของ ITHAKA. glarma: Generally Linear Autoregressive Moving Average Models ด้วย. ความสามารถในการจำแนกตัวเลขที่เป็นตัวเลขซึ่งน้อยกว่าความอดทนที่กำหนดไว้เป็นศูนย์ โมเดลสำหรับ glarma ถูกระบุเป็นสัญลักษณ์ รูปแบบทั่วไปมีรูปแบบ y (การตอบสนอง), X (เงื่อนไข) ที่ y คือนับหรือตัวตอบสัญญาณของเวกเตอร์, X คือชุดของคำที่ระบุตัวทำนายเชิงเส้นสำหรับการตอบสนอง ควรสังเกตว่าคอลัมน์แรกของ X ควรเป็นเวคเตอร์ของ 1s เป็นแบบตัดขวางในโมเดล สี่ค่าเริ่มต้นที่ต้องประมาณจะถูกรวมเข้ากับ delta (beta, phi, theta, alpha) โดยที่ alpha เป็นพารามิเตอร์ที่เป็นทางเลือกเพื่อรองรับโมเดลสองตัวในเชิงลบ โปรดทราบว่าใน glm. nb ฟังก์ชันจากแพคเกจ MASS พารามิเตอร์นี้เรียกว่า theta สำหรับการแจกแจงการแจกแจงแบบปัวซองและการตอบสนองเชิงลบจะมีการใช้ลิงก์ล็อกเกอร์ในปัจจุบัน สำหรับการตอบสนองแบบทวินามลิงค์ logit ใช้อยู่ในปัจจุบัน โมเดลเฉลี่ยเคลื่อนที่แบบเชิงเส้นโดยรวมที่คำนวณได้ดังต่อไปนี้ ตัวทำนายเชิงเส้นสำหรับการตอบสนองคือ log (mut) Wt transpose (Xt) beta offset Zt ค่าเฉลี่ยเคลื่อนที่ที่ไม่มีที่สิ้นสุดจากตัวทำนเชิงเส้นคือผลรวม Zt (ส่วนที่เหลือของ gammai (t-i)) ค่าเฉลี่ยเคลื่อนที่ที่ไม่มีขีด จำกัด นี้คำนวณโดยใช้ค่าเฉลี่ยเคลื่อนที่ถ่วงเวลา Zt phi1 (Z (t-1) e (t-1)) phip (Z e (t-p)) theta1 e. thetaq e โดยที่ p และ q เป็นคำสั่งของ phi และ theta ตามลำดับและการไม่ล่าช้าที่ไม่ใช่ศูนย์ของ vectors phi และ theta อาจถูกระบุโดยผู้ใช้ผ่าน arguments phiLag และ thetaLag มีสองประเภทที่เหลืออยู่ซึ่งอาจใช้ในการทวนซ้ำแต่ละครั้งส่วนที่เหลือของเพียร์สันหรือคะแนนที่เหลืออยู่และนอกจากนี้สำหรับการแจกแจงแบบสองทางอาจใช้ข้อมูลประจำตัวที่เหลือได้ ค่าเฉลี่ยเคลื่อนที่ที่ไม่มีขีด จำกัด Zt ขึ้นอยู่กับชนิดของเศษที่ใช้เช่นเดียวกับพารามิเตอร์สุดท้ายที่ได้จากตัวกรอง มาตรฐานเพื่อนับจำนวนครั้งที่สังเกตในอดีตเป็นสิ่งที่จำเป็นเพื่อหลีกเลี่ยงความไม่มีเสถียรภาพดังนั้นผู้ใช้ควรเลือกชนิดของเศษที่เหมาะสมขึ้นอยู่กับสถานการณ์ วิธีการประมาณค่าพารามิเตอร์ที่ใช้ในฟังก์ชั่นมีจุดมุ่งหมายเพื่อเพิ่มโอกาสในการบันทึกโดยใช้วิธีการซ้ำตั้งแต่ค่าเริ่มต้นที่เลือกไว้อย่างเหมาะสมสำหรับพารามิเตอร์ เริ่มต้นจากค่าเริ่มต้นเดลต้าหมวก (0) สำหรับเวกเตอร์ของพารามิเตอร์การปรับปรุงจะได้รับการใช้ iterations delta (k1) delta (k) โอเมก้า (deltak) อนุพันธ์แรกของ log (deltak) ที่โอเมก้า (delta hat (k)) คือบางส่วน เลือกเมทริกซ์อย่างเหมาะสม การวนซ้ำจะดำเนินต่อไปสำหรับ k gt 1 จนกว่าจะมีการหาความลู่เข้าหรือจำนวนซ้ำที่ k จะถึงขีด จำกัด สูงสุดที่ผู้ใช้ระบุไว้ในการทำซ้ำสูงสุดในกรณีนี้จะหยุดลง เกณฑ์การรวมกันที่ใช้ในการดำเนินการของเรานั้นขึ้นอยู่กับ eta ค่าสัมบูรณ์สูงสุดของตราสารอนุพันธ์อันดับแรก เมื่อ eta มีค่าน้อยกว่าการกำหนดค่าที่ผู้ใช้ระบุไว้การทำซ้ำจะหยุดลง มีสองวิธีในการเพิ่มประสิทธิภาพของโอกาส, Newton-Raphson และ Fisher ให้คะแนน วิธีการที่ใช้ระบุโดยอาร์กิวเมนต์ ควรสังเกตว่าถ้าค่าเริ่มต้นสำหรับพารามิเตอร์ไม่ได้รับการเลือกอย่างเหมาะสมการเพิ่มประสิทธิภาพของโอกาสอาจล้มเหลวในการรวมกัน ต้องมีการดูแลเมื่อต้องการใช้ข้อกำหนด ARMA แบบผสมเนื่องจากอาจมีการระบุพารามิเตอร์ AR และ MA ได้หากใบสั่งซื้อ p และ q มีขนาดใหญ่เกินไป การขาดตัวบ่งชี้ระบุตัวเองในอัลกอริธึมเพื่อเพิ่มโอกาสที่จะไม่บรรจบกันและไม่สามารถตรวจสอบข้อความเตือนและรหัสข้อผิดพลาดของลู่เข้า คุณสามารถใช้สรุปฟังก์ชัน (เช่น summary. glarma) เพื่อรับหรือพิมพ์สรุปผลลัพธ์ coef. glarma หน้าที่ทั่วไป (เช่น coef. glarma), logLik (เช่น logLik. glarma) ติดตั้ง (เช่น fitted. glarma) เศษ (เช่น residuals. glarma), nobs (เช่น nobs. glarma), model. frame (เช่นแบบจำลอง. frame. glarma) และ extractAIC (เช่น extractAIC. glarma) สามารถนำมาใช้เพื่อแยกแยะคุณสมบัติที่เป็นประโยชน์ต่างๆของค่าที่ส่งกลับโดย glarma glarma ส่งกลับวัตถุของชั้น glarma กับคอมโพเนนต์: