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
在这个术语 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:
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)
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)
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。