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
。
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
。
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。