对数据拟合自回归综合移动平均(ARIMA)模型
将ARMA(2,1)模型拟合到模拟数据。
从已知模型中模拟数据
假设数据生成过程(DGP)为
哪里 为一系列iid高斯随机变量,均值为0,方差为0.1。
创建表示DGP的ARMA(2,1)模型。
文章= arima (基于“增大化现实”技术的,{0.5,-0.3},“妈妈”, 0.2,...“常数”,0,“差异”, 0.1)
描述:“arima(2,0,1)模型(高斯分布)”分布:Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: 0 AR: {0.5 -0.3} at lag [1 2] SAR: {} MA: {0.2} at lag [1] SMA:{}季节性:0 Beta: [1×0] Variance: 0.1 .
文章
是完全指定的华宇电脑
模型对象。
从ARMA(2,1)模型模拟随机500个观测路径。
rng (5);%为了再现性T=500;y=模拟(DGP,T);
y是一个500 × 1的列向量,表示ARMA(2,1)模型的模拟响应路径文章
.
估计模型
创建用于估算的ARMA(2,1)模型模板。
Mdl = arima (0, 1)
Mdl=arima,属性:Description:“arima(2,0,1)模型(高斯分布)”分布:Name=“Gaussian”P:2d:0q:1常数:NaN AR:{NaN NaN NaN}在滞后[12]SAR:{NaN}在滞后[1]SMA:{NaN}季节性:0β:[1×0]方差:NaN
Mdl
是部分指定的华宇电脑
模型对象。仅指定确定模型结构的必需、不可估计的参数。南
价值属性,包括
,
,
,
,
,是要估计的未知模型参数。
将ARMA(2,1)模型拟合到y
.
EstMdl =估计(Mdl, y)
ARIMA(2,0,1)模型(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ __________ Constant 0.0089018 0.018417 0.48334 0.62886 AR{1} 0.49563 0.10323 4.8013 1.5767e-06 AR{2} -0.25495 0.070155 -3.6341 0.00027897 MA{1} 0.27737 0.10732 2.5846 0.0097491方差0.10004 0.0066577 15.027 4.9017e-51
EstMdl=arima,属性:Description:“arima(2,0,1)模型(高斯分布)”分布:Name=“Gaussian”P:2d:0q:1常数:0.00890178 AR:{0.495632-0.254951}滞后时[12]SAR:{}MA:{0.27737}滞后时[1]SMA:{}季节性:0β:[1×0]方差:0.100043
MATLAB®
显示包含估算摘要的表,其中包括参数估算和推断。例如价值
列包含相应的最大似然估计,而PValue
列
-值的渐近
-对对应参数为0的零假设的检验。
EstMdl
是完全指定的,估计的吗华宇电脑
模型对象;它的估计类似于DGP的参数值。
拟合一个AR(2)模型到模拟数据,同时在估计过程中保持模型不变。
从已知模型中模拟数据
假设DGP是
哪里 为一系列iid高斯随机变量,均值为0,方差为0.1。
创建表示DGP的AR(2)模型。
文章= arima (基于“增大化现实”技术的,{0.5,-0.3},...“常数”,0,“差异”, 0.1);
从模型中模拟一个随机500的观测路径。
rng (5);%为了再现性T=500;y=模拟(DGP,T);
创建指定约束的模型对象
假设 是0吗 是0。
为估算创建AR(2)模型。设置 为0。
Mdl = arima (“ARLags”,1:2,“常数”,0)
Mdl=arima,属性:Description:“arima(2,0,0)模型(高斯分布)”分布:Name=“Gaussian”P:2d:0q:0常数:0ar:{nannan}滞后[12]SAR:{}MA:{}SMA:{}季节性:0beta:[1×0]方差:NaN
Mdl
是部分指定的华宇电脑
模型对象。指定参数包括所有必需参数和模型常量。南
价值属性,包括
,
,
,是要估计的未知模型参数。
估计模型
将包含约束的AR(2)模型模板拟合为y
.
EstMdl =估计(Mdl, y)
(2,0,0,0,0)模型(2,0,0,0)模型(2,0,0,0,0)模型(高斯分布)模型(高斯(2,0,0,0,0,0,0,0,0,0,0,0,0,0,2,0,0,0,2,0,2,0,0,2,0,0,0,2,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,2,0,0,0,0,0,0,0,0,0,0,2,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,5,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 76E-51
描述:“arima(2,0,0)模型(高斯分布)”分布:Name = "Gaussian" P: 2 D: 0 Q: 0 Constant: 0 AR: {0.563425 -0.293554} at lag [1 2] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0] Variance: 0.100222 . (x = 0
EstMdl
是完全指定的,估计的吗华宇电脑
模型对象;其估计值类似于AR(2)模型的参数值文章
.的价值
在估计汇总和对象显示中为0
,相应的推论是琐碎的或不适用的。
因为ARIMA模型是以前值的函数,估计
需要预采样数据,以便在采样周期的早期初始化模型。尽管如此,估计
默认情况下,预样例数据的回调,您可以指定所需的预样例数据。的P
财产华宇电脑
模型对象指定所需的采样前观测数。
加载数据
加载美国股指数据集数据设备IDX
.
负载数据设备IDX
桌子数据表
包括时间序列变量纽交所
,它包含了从1990年1月到1995年12月间纽交所每天的综合收盘价。
将表格转换为时间表。
dt = datetime(日期,“ConvertFrom”,“datenum”,“格式”,“yyyy-MM-dd”);TT = table2timetable(数据表,“划船时间”, dt);T =大小(TT, 1);%总样本量
创建模型模板
假设ARIMA(1,1,1)模型适用于样本期内纽约证券交易所综合指数系列的建模。
创建一个ARIMA(1,1,1)模型模板进行估计。
Mdl=arima(1,1,1)
描述:“arima(1,1,1)模型(高斯分布)”分布:Name = "Gaussian" P: 2 D: 1 Q: 1 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {NaN} at lag [1] SMA:{}季节性:0 Beta: [1×0] Variance: NaN
Mdl
是部分指定的华宇电脑
模型对象。
分区的样本
创建指标向量,将样本划分为前样本周期和估计样本周期,使前样本首先出现并包含Mdl。P
=2
观测值,估计样本包含剩余的观测值。
presample = 1: Mdl.P;estsample = (Mdl。P + 1): T;
估计模型
拟合ARIMA(1,1,1)模型到估计样本。指定前样例响应。
EstMdl =估计(Mdl TT {estsample,“纽约”},“Y0”,TT{预样本,“纽约”});
ARIMA(1,1,1)模型(高斯分布):值标准误差统计PValue_______________________________________________________
EstMdl
是完全指定的,估计的吗华宇电脑
模型对象。
将ARIMA(1,1,1)模型拟合到纽交所综合指数的日收盘价。指定从试验样品分析中获得的初始参数值。
加载数据
加载美国股指数据集数据设备IDX
.
负载数据设备IDX
桌子数据表
包括时间序列变量纽交所
,它包含了从1990年1月到1995年12月间纽交所每天的综合收盘价。
将表格转换为时间表。
dt = datetime(日期,“ConvertFrom”,“datenum”,“格式”,“yyyy-MM-dd”);TT = table2timetable(数据表,“划船时间”, dt);
适合模型到试点样品
假设ARIMA(1,1,1)模型适用于样本期内纽约证券交易所综合指数系列的建模。
创建一个ARIMA(1,1,1)模型模板进行估计。
Mdl = arima (1, 1, 1);
Mdl
是部分指定的华宇电脑
模型对象。
将前两年作为试点样本,以便在将模型拟合到剩余三年的数据时获得初始参数值。将模型拟合到试点样本。
endPilot = datetime(1991、12、31);pilottr = timerange (TT.Time (1) endPilot,“天”);EstMdl0 =估计(Mdl TT {pilottr,“纽约”},“显示”,“关闭”);
EstMdl0
是完全指定的,估计的吗华宇电脑
模型对象。
估计模型
将一个ARIMA(1,1,1)模型拟合到估计样本。指定试点样本拟合的估计参数作为优化的初始值。
esttr = timerange(endPilot + days(1),TT.Time(end),“天”);c0 = EstMdl0.Constant;ar0 = EstMdl0.AR;ma0 = EstMdl0.MA;var0 = EstMdl0.Variance;EstMdl =估计(Mdl TT {esttr,“纽约”},“Constant0”,c0,“AR0”ar0,...“MA0”,ma0,“Variance0”,var0);
ARIMA(1,1,1)模型(高斯分布):值标准误差统计PValue________________________________;常数0.17423; 0.11648.4959 0.13469 AR{1}-1820.22619.18587-1.21690.21690.223; u________
EstMdl
是完全指定的,估计的吗华宇电脑
模型对象。
拟合一个ARIMAX模型来模拟时间序列数据。
模拟预测器和响应数据
创建DGP的ARIMAX(2,1,0)模型,表示为 在方程式中
哪里 为一系列iid高斯随机变量,均值为0,方差为0.1。
文章= arima (基于“增大化现实”技术的,{0.5,-0.3},“D”1.“常数”2....“差异”, 0.1,“β”,[1.5 2.6 -0.3]);
假设外生变量 , , 由AR(1)流程表示
哪里 服从高斯分布,均值为0,方差为0.01 .创建代表外生变量的ARIMA模型。
MdlX1 = arima (基于“增大化现实”技术的, 0.1,“常数”,0,“差异”, 0.01);MdlX2 = arima (基于“增大化现实”技术的, 0.2,“常数”,0,“差异”,0.01);MdlX3=arima(基于“增大化现实”技术的, 0.3,“常数”,0,“差异”, 0.01);
从AR模型模拟长度序列。将模拟数据存储在矩阵中。
T = 1000;rng (10);%为了再现性x1 =模拟(MdlX1 T);x2 =模拟(MdlX2 T);x3 =模拟(MdlX3 T);X = [x1 x2 x3];
X
是模拟时间序列数据的1000×3矩阵。每行对应于时间序列中的一个观测值,每列对应于一个外生变量。
从DGP模拟长度为1000的系列。指定模拟的外部数据。
y =模拟(文章,T,“X”, X);
y
是一个1000乘1的响应数据向量。
估计模型
创建用于估算的ARIMA(2,1,0)模型模板。
Mdl = arima (2, 1, 0)
描述:“arima(2,1,0)模型(高斯分布)”分布:Name = "Gaussian" P: 3 D: 1 Q: 0 Constant: NaN AR: {NaN NaN} at lag [1 2] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0] Variance: NaN . (n
模型描述(描述
财产)和价值贝塔
建议部分指定华宇电脑
模型对象Mdl
是外部预测因素的不可知论者。
估计ARIMAX(2,1,0)模型;指定外生预测数据。因为估计
对预样本响应(一个过程,需要预样本预测数据的ARIMAX模型)进行回投,使模型适合最新的T - Mdl。P
响应。(或者,您可以使用“Y0”
名称-值对的观点。)
EstMdl =估计(Mdl y (Mdl。P + 1): T)“X”, X);
ARIMAX(2,1,0)模型(高斯分布):值standard derror TStatistic PValue ________ _____________ __________ ___________ Constant 1.7519 0.021143 82.859 0 AR{1} 0.56076 0.016511 33.963 7.9363e-253 AR{2} -0.26625 0.015966 -16.676 1.9627e-62 Beta(1) 1.4764 0.10157 14.536 7.1228e-48 Beta(2) 2.5638 0.10445 24.547 4.6638e-133 Beta(3) -0.34422 0.098623 -3.4903 0.00048249方差0.106730.0047273 22.577 7.3158 e - 113
EstMdl
是完全指定的,估计的吗华宇电脑
模型对象。
当你用估计
并通过指定。提供外生数据“X”
名称-值对参数,MATLAB®将模型识别为ARIMAX(2,1,0)模型,并包括外生变量的线性回归组件。
估计模型为
类似于由Mdl0
。因为MATLAB返回以差分方程表示法表示的模型的AR系数,所以它们的符号在方程中是相反的。
加载美国股指数据集数据设备IDX
.
负载数据设备IDX
桌子数据表
包括时间序列变量纽交所
,它包含了从1990年1月到1995年12月间纽交所每天的综合收盘价。
将表格转换为时间表。
dt = datetime(日期,“ConvertFrom”,“datenum”,“格式”,“yyyy-MM-dd”);TT = table2timetable(数据表,“划船时间”, dt);
假设在样本期内,采用ARIMA(1,1,1)模型对NYSE综合指数序列进行建模是合适的
对数据拟合ARIMA(1,1,1)模型,并返回估计的参数协方差矩阵。
Mdl = arima (1, 1, 1);[EstMdl, EstParamCov] =估计(Mdl TT {:,“纽约”});
ARIMA(1,1,1)模型(高斯分布):值StandardError TStatistic PValue ________ _____________ __________ ________ Constant 0.15745 0.09783 1.6094 0.10753 AR{1} -0.21995 0.15642 -1.4062 0.15968 MA{1} 0.28539 0.15382 1.8554 0.063546方差17.159 0.20038 85.632 0
EstParamCov
EstParamCov =4×40.0096 -0.0002 0.0002 0.0023 -0.0002 0.0245 -0.0240 -0.0060 0.0002 -0.0240 0.0237 0.0057 0.0023 -0.0060 0.0057 0.0402
EstMdl
是完全指定的,估计的吗华宇电脑
模型对象。的行和列EstParamCov
对应于估计和推断表中的行;例如,
.
通过对协方差矩阵的对角元素取平方根来计算估计的参数标准误差。
estParamSE =√诊断接头(EstParamCov))
estParamSE =4×10.0978 0.1564 0.1538 0.2004
计算基于瓦尔德的95%置信区间 .
T =大小(TT, 1);有效样本量phihat = EstMdl.AR {1};sephihat = estParamSE (2);ciphi = phhat + tinv([0.025 0.975],T - 3)* phhihat . ciphi = phhat + tinv([0.025 0.975],T - 3
ciphi =1×2-0.5266 - 0.0867
间隔包含0,这表明 是无关紧要的。
加载美国股指数据集数据设备IDX
.
负载数据设备IDX
桌子数据表
包括时间序列变量纽交所
,它包含了从1990年1月到1995年12月间纽交所每天的综合收盘价。
将表格转换为时间表。
dt = datetime(日期,“ConvertFrom”,“datenum”,“格式”,“yyyy-MM-dd”);TT = table2timetable(数据表,“划船时间”, dt);T =大小(TT, 1);
假设ARIMA(1,1,1)模型适用于样本期内纽约证券交易所综合指数系列的建模。
对数据拟合ARIMA(1,1,1)模型。指定所需的预样品并关闭估计显示。
Mdl = arima (1, 1, 1);preidx = 1: Mdl.P;estidx = (Mdl。P + 1): T;EstMdl =估计(Mdl TT {estidx,“纽约”},...“Y0”, TT {preidx,“纽约”},“显示”,“关闭”);
推断出残差 从估计的模型中,指定所需的前样。
渣油=推断(EstMdl TT {estidx,“纽约”},...“Y0”, TT {preidx,“纽约”});
剩余物
是(T - Mdl。P
)-乘1的残差向量。
计算拟合值 .
yhat=TT{estidx,“纽约”} -渣油;
将观测值和拟合值绘制在同一图表上。
绘图(TT.时间(estidx),TT{estidx,“纽约”},“r”yhat TT.Time (estidx),“b——”,“线宽”,2)
拟合值与观测值密切相关。
绘制残差与拟合值的关系。
情节(yhat、渣油、“。”) ylabel (“残差”)包含(“拟合值”)
残差方差随拟合值的增大而增大。这种行为的补救措施之一是将日志转换应用于数据。
y
- - - - - -单路径响应数据模型所指向的响应数据的单一路径Mdl
是合适的,指定为数字列向量。最后的观察y
这是最新的观察结果。
数据类型:双重的
指定可选的逗号分隔的对名称,值
参数。的名字
参数名和价值
为对应值。的名字
必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
Y0, Y0, X, X
使用向量Y0
作为估计所需的前样本响应,并包括外生预测数据的线性回归成分X
.
选项
- - - - - -优化选项optimoptions
优化控制器优化选项,指定为逗号分隔对,由“选项”
和一个optimoptions
优化控制器。修改优化器默认值的详细信息请参见optimoptions
或fmincon
在优化工具箱中™.
例如,将约束公差更改为1 e-6
,设置选择= optimoptions (@fmincon ConstraintTolerance的1 e-6,“算法”,“sqp”)
.然后,通过选项
成估计
使用“选项”,选择
.
默认情况下,估计
使用相同的默认选项fmincon
,除了算法
是“sqp”
和约束耐受性
是1 e -
.
显示
- - - - - -命令窗口显示选项“参数”
(默认)|“诊断”
|“全部”
|“通路”
|“关闭”
|字符串向量|字符向量的细胞向量命令窗口显示选项,指定为逗号分隔对,由“显示”
以及此表中的一个或多个值。
价值 | 信息显示 |
---|---|
“诊断” |
优化诊断 |
“全部” |
最大似然参数估计,标准误差,t统计信息、迭代优化信息和优化诊断 |
“通路” |
迭代优化的信息 |
“关闭” |
没有一个 |
“参数” |
最大似然参数估计,标准误差,和t统计数字 |
例子:“显示”、“关闭”
非常适合运行估计许多模型的模拟。
例子:“显示”,{“参数”、“诊断”}
显示所有估计结果和优化诊断。
数据类型:烧焦
|细胞
|一串
Y0
- - - - - -Presample响应数据用于初始化模型的预采样响应数据,指定为逗号分隔对,由“Y0”
和一个数值列向量。
的长度Y0
至少Mdl。P
如果Y0
有额外的行,估计
只使用最新版本Mdl。P
预先取样的反应。最后一行包含最新的采样前响应。
默认情况下,估计
对必要数量的前样本反应进行向后预测(向后投射)。
关于预估分区数据的详细信息请参见ARIMA模型估计的时基划分.
数据类型:双重的
E0
- - - - - -Presample创新Presample创新εt用于初始化模型,指定为逗号分隔的对,由‘E0’
和一个数值列向量。
的长度E0
至少Mdl。问
如果E0
有额外的行,估计
只使用最新版本Mdl。问
预采样创新。最后一行包含最新的预采样创新。
如果Mdl。方差
是一个条件方差模型对象,如garch
模型估计
可以要求多于Mdl。问
样本前创新。
默认情况下,估计
将所有必需的采样前创新设置为0
,也就是均值。
数据类型:双重的
V0
- - - - - -Presample条件方差Presample条件方差σ2t用于初始化任何条件方差模型,指定为逗号分隔对,由“V0”
和一个数值正的列向量。
的长度V0
必须至少为初始化条件方差模型所需的观察数(请参阅估计
).如果V0
有额外的行,估计
只使用最新的观察结果。最后一行包含最新的观察结果。
如果方差是常数,估计
忽略了V0
.
默认情况下,估计
将必要的前样本条件方差设置为推断创新的平方的平均值。
数据类型:双重的
Constant0
- - - - - -模型常数的初始估计模型常数的初始估计c,指定为逗号分隔的对,由“Constant0”
和一个数字标量。
默认情况下,估计
使用标准时间序列技术得出初始估计值。
数据类型:双重的
AR0
- - - - - -非季节性AR多项式系数的初步估计非季节性AR多项式系数的初步估计
,指定为逗号分隔的对,由“AR0”
和一个数字向量。
的长度AR0
必须等于非季节性AR多项式中与非零系数相关的滞后数。的元素AR0
对应于Mdl.AR
.
默认情况下,估计
使用标准时间序列技术得出初始估计值。
数据类型:双重的
SAR0
- - - - - -季节自回归多项式系数的初始估计季节自回归多项式系数的初步估计
,指定为逗号分隔的对,由“SAR0”
和一个数字向量。
的长度SAR0
必须等于季节性自回归多项式中与非零系数相关的滞后数SARLags
.要素SAR0
对应于Mdl.SAR
.
默认情况下,估计
使用标准时间序列技术得出初始估计值。
数据类型:双重的
MA0
- - - - - -非季节性移动平均多项式系数的初步估计非季节移动平均多项式系数的初始估计
,指定为逗号分隔的对,由“MA0”
和一个数字向量。
的长度MA0
必须等于非季节性移动平均多项式中与非零系数相关的滞后数马拉格
.要素MA0
对应于Mdl。文科硕士
.
默认情况下,估计
使用标准时间序列技术得出初始估计值。
数据类型:双重的
SMA0
- - - - - -季节移动平均多项式系数的初步估计季节移动平均多项式系数的初始估计
,指定为逗号分隔的对,由“SMA0”
和一个数字向量。
的长度SMA0
必须等于在季节移动平均多项式中与非零系数相关的滞后数SMALags
.要素SMA0
对应于Mdl。SMA
.
默认情况下,估计
使用标准时间序列技术得出初始估计值。
数据类型:双重的
β0
- - - - - -回归系数的初步估计回归系数的初步估计β,指定为逗号分隔的对,由“Beta0”
和一个数字向量。
的长度β0
必须等于的列数X
.要素β0
对应于列表示的预测变量X
.
默认情况下,估计
使用标准时间序列技术得出初始估计值。
数据类型:双重的
DoF0
- - - - - -初步估计t分布自由度参数10
(默认)|积极的标量初步估计t分布自由度参数ν,指定为逗号分隔的对,由“DoF0”
和一个正标量。DoF0
必须超过2。
数据类型:双重的
Variance0
- - - - - -创新方差的初步估计创新方差的初始估计,指定为逗号分隔对,由“Variance0”
以及名称-值对参数的正标量或单元格向量。
Mdl。方差 价值 |
描述 | “Variance0” 价值 |
---|---|---|
数值标量或南 |
恒定方差 | 积极的标量 |
garch ,指数广义自回归条件异方差 ,或gjr 模型对象 |
条件方差模型 | 用于指定初始估计的名称-值对参数的单元格向量,请参见估计 条件方差模型对象的功能 |
默认情况下,估计
使用标准时间序列技术得出初始估计值。
例子:对于具有常数方差的模型,集合“Variance0”,2
指定的初始方差估计2
.
例子:对于复合条件均值和方差模型,设置Variance0,{“Constant0”2“ARCH0”,0.1}
指定对…的初步估计2
为条件方差模型常数,并初步估计0.1
对于拱多项式中的滞后1系数。
数据类型:双重的
|细胞
请注意
南
输入数据中的s表示缺少值。估计
使用listwise删除删除输入数据中至少包含一个缺失值的所有采样时间(行)。明确地估计
执行以下步骤:
同步或合并前样例数据集E0
,V0
,Y0
以及有效的样本数据X
和y
创建单独的集合预采样
和有效样本
.
从预采样
和有效样本
至少包含一个南
.
Listwise删除减少了样本大小,并可能创建不规则的时间序列。
EstParamCov
-估计协方差矩阵的最大似然估计优化器已知的最大似然估计的估计协方差矩阵,作为半正定数值矩阵返回。
行和列包含参数估计的协方差。每个参数估计的标准误差是主要对角线项目的平方根。
与固定为相等约束的任何参数相对应的行和列是零向量。
与字段的行和列对应的参数EstParamCov
出现的顺序如下:
数据类型:双重的
logL
-优化的对数似然目标函数值优化的对数似然目标函数值,作为数值标量返回。
数据类型:双重的
信息
——优化总结优化摘要,作为结构数组返回,该结构数组具有本表中描述的字段。
场 | 描述 |
---|---|
exitflag |
优化退出标志(参见fmincon 在优化工具箱) |
选择权 |
优化选项控制器(见optimoptions 和fmincon 在优化工具箱) |
X |
最终参数估计的向量 |
X0 |
初始参数估计的向量 |
例如,您可以通过输入来显示最终估计的向量信息。X
在命令窗口中。
数据类型:结构体
[1]Box, George E. P., Gwilym M. Jenkins,和Gregory C. Reinsel。时间序列分析:预测与控制.3版。恩格尔伍德悬崖,NJ: Prentice Hall, 1994。
[2]恩德斯,沃尔特。应用计量经济时间序列新泽西州霍博肯:约翰·威利父子公司,1995年。
[3]格林,威廉。H。经济计量分析.第六版。上鞍河,新泽西:普伦蒂斯霍尔,2008。
[4]汉密尔顿,詹姆斯D。时间序列分析.普林斯顿:普林斯顿大学出版社,1994。
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您还可以从以下列表中选择网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。