时间序列建模的一个共同目标是对未来时间范围内的过程进行预测。也就是说,给定一个观察到的级数y1,y2、……yN和预测的地平线h,生成预测
让 表示对当时过程的预测t+ 1,条件是该过程的历史到时间t,Ht,以及迄今为止的外源性协变量序列t+ 1,Xt+ 1,如果模型中包含回归组件。最小均方误差(MMSE)预报为预报 使平方损失最小化,
最小化这个损失函数会得到MMSE预测,
预测
生成MMSE预测的预测
函数递归地生成MMSE预测。当你打电话预测
,指定模型Mdl
预测的时间跨度,numperiods
,以及样本响应Y0
.您可以选择指定样例创新“E0”
,有条件的差异“半”
,以及外生数据“X0”
通过使用名称-值对参数。虽然预测
不需要X0
或预测样本外生数据XF
,如果您指定X0
然后您还必须指定XF
.
比方说,从一个观测序列的末尾开始预测Y
,使用最后几个观察Y
presample反应Y0
初始化预测。当你指定样本数据时,有几点需要记住:
初始化预测所需的最小响应数存储在该属性中P
一个华宇电脑
模型。如果你提供的样本观察太少,预测
返回一个错误。
如果你预测一个带有MA组件的模型,那么预测
需要presample创新。所需创新的数量储存在财产中问
一个华宇电脑
模型。如果你也有一个条件方差模型,你必须另外考虑它需要的任何样本创新。如果你指定样品创新,但不够,预测
返回一个错误。
如果不指定任何样例创新,但指定足够的样例反应(至少P
+问
)和外源性协变量数据(至少前样本响应的数量减去P
),然后预测
自动推断样品创新。一般来说,你提供的样本响应系列越长,推断出的样本创新就会越好。如果你提供了样本响应和外源性协变量数据,但还不够,预测
设置样本创新等于零。
如果你预测一个带有回归成分的模型,那么预测
需要预测期内所有时间点的未来外生协变量数据(numperiods
).如果你提供了未来的外生协变量数据,但还不够,那么预测
返回一个错误。
考虑为AR(2)过程生成预测,
鉴于presample观察 和 预测递归生成如下:
对于平稳AR过程,这个递归收敛于过程的无条件平均值,
对于MA(2)工艺,例如:
您需要2个示例创新来初始化预测。所有的创新N+ 1或更大的被设为他们的期望,0。因此,对于MA(2)过程,未来任何时间超过2步的预测都是无条件平均值,μ.
预测的均方误差年代先行一步预报由
考虑一个条件平均模型
在哪里 .把滞后创新的方差加起来得到年代一步一步MSE,
在哪里 为创新方差。
对于平稳过程,无限滞后算子多项式的系数是绝对可和的,其最小均方误差收敛于过程的无条件方差。
对于非平稳过程,级数不收敛,预测误差随时间增长。