使用SARIMA错误创建回归模型
萨尔马误差模型没有一个拦截
这个例子展示了如何在没有回归截距的情况下使用SARMA错误指定回归模型。
指定默认的回归模型 错误：
MDL = regARIMA（'ARLags'1，“沙拉”，[4，8]，...“季节性”，4岁，'MALags'1，“小标记”，4岁，'截距'，0）
MDL = regARIMA具有属性：说明： “ARMA（1,1）误差模型季节性集成与季节性AR（8）和MA（4）（高斯分布）” 分布：名称= “高斯” 截取：0贝塔：[1×0]，P：13问：5 AR：{的NaN}在延迟[1] SAR：{楠楠}在滞后[4 8] MA：{的NaN}在延迟[1] SMA：{的NaN}在滞后[4]季节性：4方差：为NaN
名称 - 值对参数：
'ARLags'，1指定哪些滞后在非季节自回归多项式中具有非零系数，因此 。'SARLags'，[4 8]指定哪个滞后具有在季节性自回归多项式非零系数，所以 。'MALags'，1指定哪个滞后必须在非季节性移动平均多项式非零系数，所以 。'SMALags'，4指定哪个滞后具有在季节性移动平均多项式非零系数，所以 。'季节性'，4指定季节整合的程度，并对应于 。
该软件集拦截为0，但在所有其它参数Mdl公司是为NaN默认值。
属性P=p+d+
+s=1+0+8+4=13，属性Q=q+
= 1 + 4 = 5。因此，软件需要至少13样品前体观察到初始化Mdl公司。
自从拦截不是一个为NaN，这是估计过程中的等式约束。换句话说，如果你通过Mdl公司和数据转换成估计， 然后估计套拦截到估计期间0。
您可以修改的属性Mdl公司使用点符号。
请注意，回归模型截距（拦截）不回归模型ARIMA错误识别。如果你想估计Mdl公司，则必须设置拦截使用，例如，点符号的值。否则，估计可能会得出错误的估计拦截。
已知的参数值与SARIMA误差的回归模型
这个例子说明如何为一个回归模型SARIMA错误的所有参数的值。
指定回归模型 错误：
哪里 是高斯与单位方差。
MDL = regARIMA（'AR'，0.2，“特别行政区”，{0.25，0.1}，“沙拉”[12 24]，...'d'1，“季节性”12，“妈妈”，0.15，'截距'，0，'方差'，1）
MDL = regARIMA具有属性：说明： “ARIMA（1,1,1）误差模型季节性集成与季节性AR（24）（高斯分布）” 分布：名称= “高斯” 截取：0贝塔：[1×0] p：38 d：1 Q：1个AR：{0.2}在延迟[1] SAR：{0.25 0.1}在滞后[12 24] MA：{0.15}在延迟[1] SMA：{}季节性：12方差：1
在参数Mdl公司不包含为NaN价值，因此无需估算Mdl公司。但是，您可以模拟或通过预测响应Mdl公司至模拟或预测。
带SARIMA误差的回归模型与t创新
这个例子展示了如何将带有SARIMA误差的回归模型的创新分布设置为Ť分配。
指定回归模型 错误：
哪里 有一个Ť用的默认分配自由度和单位方差的。
MDL = regARIMA（'AR'，0.2，“特别行政区”，{0.25，0.1}，“沙拉”[12 24]，...'d'1，“季节性”12，“妈妈”，0.15，'截距'，0，...'方差'1，'分配'，'T'）
MDL = regARIMA具有属性：说明： “ARIMA（1,1,1）误差模型季节性集成与季节性AR（24）（t分布）” 分布：名称= “T”，自由度= NaN的截取：0贝塔：[1×0]，P：38 d：1 Q：1个AR：{0.2}在延迟[1] SAR：{0.25 0.1}在滞后[12 24] MA：{0.15}在延迟[1] SMA：{}季节性：12方差：1
默认度自由是为NaN。如果你不知道的自由度，那么你可以通过它预测Mdl公司和数据估计。
指定 分配。
Mdl.分布=结构('名称'，'T'，'自由度'，10）
Mdl=regARIMA，带属性：Description:“ARIMA（1,1,1）误差模型与季节AR（24）（t分布）”分布：Name=“t”，DoF=10截距：0β：[1×0]P:38 D:1 Q:1 AR:{0.2}滞后[1]SAR:{0.25 0.1}滞后[12 24]MA:{0.15}滞后[1]SMA:{}季节性：12方差：1
您可以模拟或通过预测响应Mdl公司至模拟或预测因为Mdl公司完全确定。
在应用中，如仿真，软件标准化随机Ť创新。换一种说法，方差忽略了Ť随机变量（它是自由度/(自由度-但保留了分布的峰度。
也可以看看
相关的例子
- 创建ARIMA误差回归模型
- 使用ARIMA错误指定默认回归模型
- 创建AR误差回归模型
- 使用MA错误创建回归模型
- 创建ARMA误差回归模型
- 使用SARIMA错误指定回归模型
- 指定ARIMA错误模型创新分布
更多关于
也可以从以下列表中选择网站：
