模拟ARMA时间序列

模拟ARMA（2,1）的时间与100个观测系列。

Mdl0 = ARIMA（'不变'，0.2，'AR'，{0.75，-0.4}...'嘛'，0.7％，'方差'，0.1）;RNG（'默认'）Y =模拟（Mdl0,100）;图图（Y）XLIM（[0100]）标题（'模拟ARMA（2,1）系列'）

画出样品ACF和PACF

积为模拟数据样本自相关函数（ACF）和局部自相关函数（PACF）。

图副区（2,1,1）autocorr（Y）副区（2,1,2）parcorr（Y）

无论是样品ACF和PACF衰减相对缓慢。这是与ARMA模型一致。该ARMA滞后不能仅仅通过看ACF和PACF进行选择，但似乎没有超过需要四个AR或MA条款。

飞度ARMA（p，q）模型对数据

为了确定最佳的滞后，适应多种型号不同滞后的选择。在这里，适合的所有组合p= 1，...，4和q= 1，...，4（共16种型号）。存储系数的对数似然目标函数以及各项拟合模型。

LOGL =零（4,4）;％初始化PQ =零（4,4）;对于P = 1：4对于Q = 1：4 MDL = ARIMA（P，0，Q）;[EstMdl，〜，logL] =估计（MDL，Y，'显示'，“关”）;LOGL（P，Q）= logL;PQ（P，Q）= P + Q;结束结束

BIC计算

计算每个拟合模型的BIC。的参数在模型的数量是p+q+ 1（对于AR和MA系数，以及常数项）。观测数据集中的数量是100。

LOGL =重塑（LOGL，16,1）;PQ =重塑（PQ，16,1）;[〜，BIC = aicbic（LOGL，PQ + 1100）;重塑（BIC，4,4）

ANS =4×4108.6241 105.9489 109.4164 113.8443 99.1639 101.5886 105.5203​​ 109.4348 102.9094 106.0305 107.6489 99.6794 107.4045 100.7072 102.5746 102.0209

在输出BIC矩阵中，行对应于AR程度（p）和列对应于MA度（q）。的最小值是最好的。

最小的BIC值99.1639在（2,1）位置。这对应于ARMA（2,1）模型，匹配该产生的数据模型。