主要内容

估计ARIMA模型

打开生活的脚本

这个例子展示了如何估计自回归综合移动平均(ARIMA)模型。

有时需要包含非平稳趋势(季节性)的时间序列模型。其中一类模型是ARIMA模型。这些模型在噪声源中包含一个固定的积分器。因此，如果ARMA模型的控制方程表示为(问)y (t) = Ce (t),在那里(问)表示自回归术语和C(问)移动平均项时，ARIMA模型对应的模型表示为

一个 （ 问 ） y （ t ） ＝ C （ 问 ） （ 1 - 问 - 1 ） e （ t ）

在这个术语 1 1 - 问 - 1 表示离散时间积分器。类似地，您可以建立ARI和ARIX模型的方程。

使用时间序列模型估计命令基于“增大化现实”技术，arx和armax你可以在噪声源中引入积分器e (t)．你可以用IntegrateNoise参数。

估计方法不考虑时间序列数据中的任何常数偏移。引入噪声积分器的能力不仅限于时间序列数据。对于干扰可能受季节性影响的投入产出模型，也可以这样做。一个例子是ARIMAX结构的多项式模型:

一个 （ 问 ） y （ t ） ＝ B （ 问 ） u （ t ） + C （ 问 ） （ 1 - 问 - 1 ） e （ t ）

看到armax参考页的例子。

估计线性趋势标量时间序列的ARI模型。

负载iddata9z9Ts = z9.Ts;y = cumsum (z9.y);模型= ar (y, 4,“ls”，“t”Ts,“IntegrateNoise”,真正的);% 5提前预测比较(y)模型,5)

图中包含一个轴对象。轴对象包含两个类型为line的对象。这些对象表示验证数据(y1)，模型:78.76%。

估计一个多元时间序列模型，使噪声积分只存在于两个时间序列中的一个。

负载iddata9z9Ts = z9.Ts;y = z9.y;y2 = cumsum (y);%人工构造一个二元时间序列data = iddata([y, y2]，[]，Ts);Na = [4 0;0 4];数控= (2,1);Model1 = armax(数据，[na nc]，“IntegrateNoise”,(假;真正的]);%预测未来100步的时间序列Yf = forecast(model1,data(1:100)， 100);情节(数据(1:10 0)、yf)

图中包含2个轴对象。标题为y1的轴对象1包含两个类型为line的对象。这些对象表示untitled1, yf。标题为y2的axis对象2包含2个类型为line的对象。这些对象表示untitled1, yf。

如果输出耦合(na如果不是对角矩阵)，情况会更加复杂，简单地在第二个噪声通道中添加一个积分器是行不通的。

系统识别工具箱文档

金宝app

尝试MATLAB, Si金宝appmulink和其他产品下载188bet金宝搏

得到审判现在