urutan proses autoregresif

Urutan p dari filter autoregresif umumnya tidak dikenal sebagai α priori dan diakui sebagai salah satu tugas yang
paling sulit dalam pemodelan deret waktu dengan metode parametric. Pilihannya adalah untuk membuat
postulat beberapa model pasangan kemudian menghitung beberapa kriteria kesalahan yang menunjukan model
mana yang akan dipilih. Terlalu rendah tebakan untuk hasil urutan model dalam perkiraan spectral yang sangat
halus. Perintah yang terlalu tinggi memperkenalkan detail palsu kedalam spectrum. Salah satu pendekatan intuitif
adalah membangun model AR dengan urutan yang meningkat sampai kesalahan prediksi terhitung 𝛿𝑘2 mencapai
minimum. Jadi, jika proses sebenarnya adalah proses AR dari order p, maka 𝛼𝑝+1,𝑘 = 𝛼𝑝𝑘 untuk k=1,2,3,4,…..,p.
titik dimana 𝛼𝑝𝑘 tidak berubah akan muncul menjadi indicator yang baik dari urutan model yang benar.
Sayangnya persamaan yule-walker dan algoritma burg melibatkan kekuatan kesalahan prediksi

𝛿𝑘2 = 𝛿𝑘−1
2
1 − 𝛼𝑘𝑘 2 (55.7.20𝑎൯

Yang menurun secara monoton dengan meningkatnya urutan p, sehingga salama |𝛼𝑘𝑘 |2 tidak nol (harus ≤1) kekuatan
kesalahan predidksi menurun. Dengan demikian, kekuatan kesalahan prediksi tidak cukup untuk menunjukan kapan
harus mengakhiri pencarian. Pendekatan alternatis (key and, marple , 1981) telah diusulkan oleh Akaike (disebut
kesalahan prediksi akhir,FPE, dan kriteria informasi Akaike, AIC), dan oleh parzen (disebut fungsi transfer kriteria
autogressive). Kriteria informasi akaike menentukan urutan model dengan meminimalkan fungsi teori informasi. Jika
prosesnya memiliki statistic Gaussian, AIC adalah
 2 𝑝+1
𝐴𝐼𝐶 𝑝 = ln൫𝛿 2 ) + (5.7.20𝑏ቇ
𝑁

Dimana 𝛿𝑝2 adalah kekuatan kesalahan prediksi dan N adalah jumlah sampel data.
Istilah kedua mewakili penalty untuk penggunaan koefisient autoregresif ekstra yang
tidak menghasilkan pengurangan substansial dalam kekuatan kesalahan prediksi.
Urutan p adalah salah satu yang meminimalkan AIC