华宇电脑
建立单变量自回归综合移动平均(ARIMA)模型
描述
的华宇电脑
函数返回华宇电脑
对象,指定函数形式并存储ARIMA(p,D,问)<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">线性时间序列模型对于单变量响应过程yt.
华宇电脑
允许您创建ARIMA模型的变体,包括:
自回归(AR(p)),移动平均线(MA(问)),或ARMA(p,问)模型。
一个包含乘法季节成分的模型(SARIMA(p,D,问)⨉(p<年代ub>年代,D<年代ub>年代,问<年代ub>年代)<年代ub>年代).
包含外生协变量线性回归分量的模型(ARIMAX)。
一个复合的条件均值和条件方差模型。例如,您可以创建包含GARCH条件方差模型的ARMA条件均值模型(<一个href="//www.tatmou.com/ch/ch/help/econ/garch.html">
garch
).
的关键组成部分华宇电脑
对象是多项式次(例如,AR多项式次p以及融合的程度D),因为它们完全指定了模型结构。给定多项式度,所有其他参数,如系数和创新分布参数,都是未知和可估计的,除非你指定它们的值。
要估计包含未知参数值的模型,请将模型和数据传递给<一个href="//www.tatmou.com/ch/ch/help/econ/arima.estimate.html">估计
.用估计的或完全指定的东西工作华宇电脑
对象,将其传递给<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">目标函数.
或者,你可以:
创造和工作
华宇电脑
通过使用交互地对对象建模<年代tr在g class="app">计量经济学建模师.通过创建具有ARIMA误差的回归模型,对回归模型的扰动序列中的序列相关性进行建模。详情请参见<一个href="//www.tatmou.com/ch/ch/help/econ/regarima-class.html">
regARIMA
而且<一个href="//www.tatmou.com/ch/ch/help/econ/convert-between-armax-and-regarima-models.html" class="a">可供选择的ARIMA模型表示.
创建
描述
创建一个ARIMA(0,0,0)模型,只包含一个未知常数和一系列iid高斯创新,其均值为0,方差未知。Mdl
= arima
创建ARIMA(Mdl
= arima (<一个href="//www.tatmou.com/ch/help/econ/#mw_e831d764-ddaa-4780-b31f-43323cec4014" class="intrnllnk">p
,<一个href="//www.tatmou.com/ch/help/econ/#mw_e92d243b-fbae-4167-93af-9073f343c0f3" class="intrnllnk">D
,<一个href="//www.tatmou.com/ch/help/econ/#mw_5a7254cf-848d-423c-a729-edebdd66d000" class="intrnllnk">问
)p
,D
,问
)模型,包含从1到的非季节性AR多项式滞后p
,度D
非季节积分多项式,非季节MA多项式滞后于1到问
.
这种简写语法提供了一种创建模型模板的简单方法,在模型模板中显式指定非季节多项式的阶。该模型模板适用于不受限制的参数估计。在创建模型之后,您可以进行修改<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">财产使用点符号的值。
集<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">属性和多项式延迟使用名值对参数。每个名字用引号括起来。例如,Mdl
= arima (<一个href="//www.tatmou.com/ch/help/econ/#namevaluepairarguments" class="intrnllnk">名称,值
)' arlag ',[1 4],'AR',{0.5 -0.1}
指定值-0.5
而且0.1
为滞后时的非季节性AR多项式系数1
而且4
,分别。
这种手动语法允许您创建更灵活的模型。华宇电脑
从你设置的属性中推断出所有的多项式度。因此,多项式阶对应的属性值必须彼此一致。
输入参数
简写语法为您提供了一种创建非季节性ARIMA模型模板的简便方法,该模型模板适用于不受限制的参数估计。例如,要创建包含未知系数和创新方差的ARMA(2,1)模型,输入:
Mdl = arima(2,0,1);
p
- - - - - -<年代p一个n itemprop="purpose">非季节自回归多项式度
非负整数
非季节自回归多项式度,指定为非负整数。
数据类型:双
D
- - - - - -<年代p一个n itemprop="purpose">非季节性整合程度
非负整数
非季节积分度(非季节差分多项式的度),用非负整数表示。D
设置属性<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">D.
数据类型:双
问
- - - - - -<年代p一个n itemprop="purpose">非季节性移动平均多项式度
非负整数
非季节性移动平均多项式度,指定为非负整数。
数据类型:双
指定可选参数对为Name1 = Value1,…,以=家
,在那里的名字
参数名称和价值
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来的名字
在报价。
longhand语法使您能够创建季节性模型或其中部分或所有系数已知的模型。在评估期间,估计
对任何已知参数施加相等约束。
例子:' arlag ',[1 4],'AR',{0.5 -0.1}
为非季节性AR多项式<年代p一个n class="inlineequation">
.
ARLags
- - - - - -<年代p一个n itemprop="purpose">与非季节性AR多项式系数相关的滞后
1:元素个数(AR)
(默认)|<年代p一个n itemprop="inputvalue">唯一正整数的数字向量
与非季节性AR多项式系数相关的滞后,指定为由逗号分隔的对组成“ARLags”
和一个唯一正整数的数字向量。最大延迟为p.
基于“增大化现实”技术的{
是滞后系数吗j
}ARLags (
.j
)
例子:“ARLags”,[1 - 4]
为非季节性AR多项式<年代p一个n class="inlineequation">
数据类型:双
MALags
- - - - - -<年代p一个n itemprop="purpose">与非季节MA多项式系数相关的滞后
1:元素个数(MA)
(默认)|<年代p一个n itemprop="inputvalue">唯一正整数的数字向量
与非季节MA多项式系数相关的滞后,指定为逗号分隔的对,由“MALags”
和一个唯一正整数的数字向量。最大延迟为问.
马{
是滞后系数吗j
}MALags (
.j
)
例子:MALags, 1:3
为非季节MA多项式<年代p一个n class="inlineequation">
数据类型:双
SARLags
- - - - - -<年代p一个n itemprop="purpose">与季节AR多项式系数相关的滞后
1:元素个数(SAR)
(默认)|<年代p一个n itemprop="inputvalue">唯一正整数的数字向量
与季节AR多项式系数相关的滞后,指定为由逗号分隔的对组成“SARLags”
和一个唯一正整数的数字向量。最大延迟为p<年代ub>年代.
SAR {
是滞后系数吗j
}SARLags (
.j
)
指定SARLags
作为观测数据的周期性,而不是作为的倍数季节性
财产。这个惯例不符合Box和Jenkins的标准<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">[1]符号,但它更灵活地结合乘法季节性。
例子:“SARLags”,[4 8]
为季节AR多项式<年代p一个n class="inlineequation">
数据类型:双
SMALags
- - - - - -<年代p一个n itemprop="purpose">与季节MA多项式系数相关的滞后
1:元素个数(SMA)
(默认)|<年代p一个n itemprop="inputvalue">唯一正整数的数字向量
与季节MA多项式系数相关的滞后,指定为由逗号分隔的对组成“SMALags”
和一个唯一正整数的数字向量。最大延迟为问<年代ub>年代.
SMA {
是滞后系数吗j
}SMALags (
.j
)
指定SMALags
作为观测数据的周期性,而不是作为的倍数季节性
财产。这个惯例不符合Box和Jenkins的标准<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">[1]符号,但它更灵活地结合乘法季节性。
例子:“SMALags”4
为季节MA多项式<年代p一个n class="inlineequation">
数据类型:双
请注意
多项式度是不可估计的。如果不指定多项式次,或者华宇电脑
不能从其他规格中推断出来,华宇电脑
模型中不包括多项式。
属性
当您使用名称-值对参数语法创建模型对象时,或者在您使用点表示法创建模型对象之后,您可以设置可写的属性值。例如,要创建一个完全指定的ARMA(2,1)模型,输入:
Mdl = arima(“常数”,基于“增大化现实”技术,{0.3 - -0.15},“马”,0.2);Mdl。V一个r我一个nce = 1;
请注意
南
-value属性表示可估计的参数。数值属性表示模型估计过程中参数的相等约束。系数向量可以包含数值向量和南
价值元素。你可以将多项式系数指定为任意方向的向量,但是
华宇电脑
将它们存储为行向量。
P
- - - - - -<年代p一个n itemprop="purpose">复合AR多项式次
非负整数
此属性是只读的。
复合AR多项式度,指定为非负整数。
P
不一定符合标准的Box和Jenkins符号<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">[1]因为P
捕获非季节性和季节性AR多项式的度(属性基于“增大化现实”技术
而且特别行政区
,分别),非季节性积分(性质D
)和季节性(性质)季节性
).明确地,P
=p+D+p<年代ub>年代+年代.P
对于没有集成或季节性AR组件的模型,符合Box和Jenkins符号。
P
指定初始化模型的AR组件所需的滞后观测数。
数据类型:双
问
- - - - - -<年代p一个n itemprop="purpose">复合MA多项式次
非负整数
此属性是只读的。
复合MA多项式度,指定为非负整数。
问
不一定符合标准的Box和Jenkins符号<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">[1]因为问
捕获非季节和季节MA多项式的度(性质妈
而且SMA
分别)。明确地,问
=问+问<年代ub>年代.问
对于没有季节MA分量的模型,符合Box和Jenkins符号。
问
指定初始化模型的MA组件所需的滞后创新的数量。
数据类型:双
描述
- - - - - -<年代p一个n itemprop="purpose">模型描述
字符串标量|<年代p一个n itemprop="inputvalue">特征向量
模型描述,指定为字符串标量或字符向量。华宇电脑
将值存储为字符串标量。例如,默认值描述模型的参数形式ARIMAX(1,1,1)模型(高斯分布)
.
例子:“模式1”
数据类型:字符串
|字符
分布
- - - - - -<年代p一个n itemprop="purpose">创新过程的条件概率分布
“高斯”
(默认)|<年代p一个n itemprop="inputvalue">“t”
|<年代p一个n itemprop="inputvalue">结构数组
创新过程的条件概率分布,指定为字符串或结构数组。华宇电脑
将值存储为结构数组。
分布 | 字符串 | 结构数组 |
---|---|---|
高斯 | “高斯” |
结构(“名字”,“高斯”) |
学生的t | “t” |
结构(“名字”,“t”,景深,景深) |
的“景深”
字段指定t分布自由度参数。
景深
> 2或景深
=南
.景深
是有价值的。如果你指定
“t”
,景深
是南
默认情况下。您可以在创建模型后使用点表示法更改它的值。例如,mld . distribution . dof = 3
.如果您提供一个结构数组来指定学生的t分布,则必须同时指定
“名字”
而且“景深”
字段。
例子:结构(“名字”,“t”、“景深”,10)
常数
- - - - - -<年代p一个n itemprop="purpose">模型常数
南
(默认)|<年代p一个n itemprop="inputvalue">数字标量
模型常数,指定为数值标量。
例子:1
数据类型:双
基于“增大化现实”技术
- - - - - -<年代p一个n itemprop="purpose">非季节AR多项式系数
细胞向量
非季节性AR多项式系数,指定为单元向量。单元格包含数值标量或南
值。一个完全指定的非季节AR多项式必须是稳定的。
系数符号对应于用差分方程符号表示的模型。例如,对于非季节性AR多项式<年代p一个n class="inlineequation">
指定基于“增大化现实”技术,{0.5 - -0.1}
.
如果使用简写语法来指定
p
> 0,基于“增大化现实”技术的{
有价值j
}南
这是滞后系数
,j
= 1,…,j
p
.如果你设置<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">
“ARLags”
到的名称-值对参数ARLags
,则适用以下条件。的长度
基于“增大化现实”技术
而且ARLags
必须是相等的。基于“增大化现实”技术的{
是滞后系数吗j
}ARLags (
,对所有人j
)
在j
ARLags
.默认情况下,
基于“增大化现实”技术的{
=j
}南
对所有
在j
ARLags
.
否则,
基于“增大化现实”技术
为空,且模型不包含非季节性AR多项式。里面的系数
基于“增大化现实”技术
对应于底层的系数<一个href="//www.tatmou.com/ch/ch/help/econ/lagop.html">LagOp
滞后算子多项式,并进行了近零容差排除检验。如果你设一个系数为1 e-12
或以下,华宇电脑
不包括该系数及其相应的滞后ARLags
从模型中。
例子:{0.8}
例子:{南-0.1}
数据类型:细胞
特别行政区
- - - - - -<年代p一个n itemprop="purpose">季节AR多项式系数
细胞向量
季节AR多项式系数,指定为单元向量。单元格包含数值标量或南
值。一个完全指定的季节AR多项式必须是稳定的。
系数符号对应于用差分方程符号表示的模型。例如,对于季节AR多项式<年代p一个n class="inlineequation">
指定“特区”,{0.5 - -0.1}
.
如果你设置<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">
“SARLags”
到的名称-值对参数SARLags
,则适用以下条件。的长度
特别行政区
而且SARLags
必须是相等的。SAR {
是滞后系数吗j
}SARLags (
,对所有人j
)
在j
SARLags
.默认情况下,
SAR {
=j
}南
对所有
在j
SARLags
.
否则,
特别行政区
为空,且模型不包含季节AR多项式。里面的系数
特别行政区
对应于底层的系数<一个href="//www.tatmou.com/ch/ch/help/econ/lagop.html">LagOp
滞后算子多项式,并进行了近零容差排除检验。如果你设一个系数为1 e-12
或以下,华宇电脑
不包括该系数及其相应的滞后SARLags
从模型中。
例子:{0.2 - 0.1}
例子:{NaN 0 0 NaN}
数据类型:细胞
妈
- - - - - -<年代p一个n itemprop="purpose">非季节MA多项式系数
细胞向量
非季节MA多项式系数,指定为单元向量。单元格包含数值标量或南
值。一个完全指定的非季节MA多项式必须是可逆的。
如果使用简写语法来指定
问
> 0,马{
有价值j
}南
这是滞后系数
,j
= 1,…,j
问
.如果你设置<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">
“MALags”
到的名称-值对参数MALags
,则适用以下条件。的长度
妈
而且MALags
必须是相等的。马{
是滞后系数吗j
}MALags (
,对所有人j
)
在j
MALags
.默认情况下,
马{
=j
}南
对所有
在j
MALags
.
否则,
妈
为空,且模型不包含非季节MA多项式。里面的系数
妈
对应于底层的系数<一个href="//www.tatmou.com/ch/ch/help/econ/lagop.html">LagOp
滞后算子多项式,并进行了近零容差排除检验。如果你设一个系数为1 e-12
或以下,华宇电脑
不包括该系数及其相应的滞后MALags
从模型中。
例子:0.8
例子:{南-0.1}
数据类型:细胞
SMA
- - - - - -<年代p一个n itemprop="purpose">季节MA多项式系数
细胞向量
季节MA多项式系数,指定为单元向量。单元格包含数值标量或南
值。一个完全指定的季节MA多项式必须是可逆的。
如果你设置<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">
“SMALags”
到的名称-值对参数SMALags
,则适用以下条件。的长度
SMA
而且SMALags
必须是相等的。SMA {
是滞后系数吗j
}SMALags (
,对所有人j
)
在j
SMALags
.默认情况下,
SMA {
=j
}南
对所有
在j
SMALags
.
否则,
SMA
为空,且模型不包含季节MA多项式。里面的系数
SMA
对应于底层的系数<一个href="//www.tatmou.com/ch/ch/help/econ/lagop.html">LagOp
滞后算子多项式,并进行了近零容差排除检验。如果你设一个系数为1 e-12
或以下,华宇电脑
不包括该系数及其相应的滞后SMALags
从模型中。
例子:{0.2 - 0.1}
例子:{NaN 0 0 NaN}
数据类型:细胞
D
- - - - - -<年代p一个n itemprop="purpose">非季节性整合程度
0
(默认)|<年代p一个n itemprop="inputvalue">非负整数
非季节积分的次数,或非季节差分多项式的次数,用非负整数表示。
例子:1
数据类型:双
季节性
- - - - - -<年代p一个n itemprop="purpose">季节差异度多项式
0
(默认)|<年代p一个n itemprop="inputvalue">非负整数
季节差异多项式的次年代,指定为非负整数。
例子:12
指定每月的周期。
数据类型:双
β
- - - - - -<年代p一个n itemprop="purpose">回归分量系数
空行向量(默认)|<年代p一个n itemprop="inputvalue">数值向量
条件均值的回归分量系数,指定为数值向量。
如果你计划估计所有的元素β
,则不需要指定。在评估期间,估计
的大小β
从指定的外生数据的列数X
.
例子:[0.5 NaN 3]
数据类型:双
方差
- - - - - -<年代p一个n itemprop="purpose">模型创新方差
南
(默认)|<年代p一个n itemprop="inputvalue">积极的标量|<年代p一个n itemprop="inputvalue">金宝app支持条件方差模型对象
模型创新方差,指定为正标量或支持的条件方差模型对象(例如,金宝app<一个href="//www.tatmou.com/ch/ch/help/econ/garch.html">garch
).有关所有支持的条金宝app件方差模型,请参见<一个href="//www.tatmou.com/ch/ch/help/econ/conditional-variance-models.html" class="a">条件方差模型.
一个正标量或者南
指定同方差模型。条件方差模型对象指定一个组合的条件均值和方差模型。估计
拟合组合中所有未知的可估计参数。
例子:1
例子:garch (1, 0)
数据类型:双
对象的功能
例子
创建默认模型
使用创建一个默认的ARIMA模型华宇电脑
.
Mdl = arima
Mdl = arima属性:描述:“arima(0,0,0)模型(高斯分布)”分布:名称= "高斯" P: 0 D: 0 Q: 0常数:NaN AR: {} SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0]方差:NaN
Mdl
是一个华宇电脑
对象。模型的属性出现在命令行中。
默认模型为
,
在哪里<年代p一个n class="inlineequation"> 一个未知常数和<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量,均值为0,方差为0<年代p一个n class="inlineequation"> .
Mdl
是用于估计的模型模板。可以使用点表示法修改属性值,也可以使用估计
,但你不能通过Mdl
到任何其他对象函数。
创建完全指定的模型
创建ARIMA(2,1,1)模型,用如下公式表示:
在哪里<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量。使用hand语法指定用差分方程表示法写的方程中的参数值:
Mdl = arima(<年代p一个n style="color:#A020F0">“ARLags”2,<年代p一个n style="color:#A020F0">基于“增大化现实”技术的, -0.5,<年代p一个n style="color:#A020F0">' D ',1,<年代p一个n style="color:#A020F0">“马”, -0.2,<年代p一个n style="color:#0000FF">...“不变”, 3.1)
描述:“arima(2,1,1)模型(高斯分布)”分布:名称= "高斯" P: 3 D: 1 Q: 1常数:3.1 AR:{-0.5}在滞后[2]时SAR: {} MA:{-0.2}在滞后[1]时SMA:{}季节性:0 Beta: [1×0]方差:NaN
Mdl
是完全指定的华宇电脑
对象,因为其所有参数都是已知的。你可以通过Mdl
任何华宇电脑
对象函数除外估计
.例如,用,绘制模型24个周期的脉冲响应函数冲动
.
冲动(Mdl, 24)
创建部分指定的模型
创建AR(1)模型,用下面的公式表示:
在哪里<年代p一个n class="inlineequation">
是一系列iid高斯随机变量,均值为0,方差为0.5。使用简写语法指定AR(1)模型模板,然后使用点表示法设置常数
而且方差
属性。
Mdl = arima(1,0,0);Mdl。Constant = 1; Mdl.Variance = 0.5; Mdl
Mdl = arima属性:描述:“arima(1,0,0)模型(高斯分布)”分布:名称= "高斯" P: 1 D: 0 Q: 0常数:1 AR: {NaN} at lag [1] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0]方差:0.5
Mdl
是部分指定的华宇电脑
对象。您可以使用点符号修改属性值或拟合未知系数<年代p一个n class="inlineequation">
通过使用估计
,但你不能通过Mdl
到任何其他对象函数。
创建非季节性ARIMA模型模板
创建ARIMA(3,1,2)模型,用如下公式表示:
,
在哪里<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量,均值为0,方差为0<年代p一个n class="inlineequation"> .
因为模型只包含非季节多项式,所以使用简写语法。
Mdl = arima(3,1,2)
描述:“arima(3,1,2)模型(高斯分布)”分布:名称= "高斯" P: 4 D: 1 Q: 2常数:NaN AR: {NaN NaN NaN}在滞后时[1 2 3]SAR: {} MA: {NaN NaN}在滞后时[1 2]SMA:{}季节性:0 Beta: [1×0]方差:NaN
房地产P
等于<年代p一个n class="inlineequation">
+<年代p一个n class="inlineequation">
=4
.南
-value元素表示可估计参数。
指定非连续滞后
若要包含附加的季节性滞后,请指定与适当周期性匹配的滞后。例如,创建加性月度MA(12)模型,如下式所示:
在哪里<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量,均值为0,方差为0<年代p一个n class="inlineequation"> .
Mdl = arima(<年代p一个n style="color:#A020F0">“不变”0,<年代p一个n style="color:#A020F0">“MALags”, 12 [1])
Mdl = arima属性:描述:“arima(0,0,12)模型(高斯分布)”分布:名称= "高斯" P: 0 D: 0 Q: 12常数:0 AR: {} SAR: {} MA: {NaN NaN} at滞后[1 12]SMA:{}季节性:0 Beta: [1×0]方差:NaN
创建SARIMA模型模板
创建SARIMA<年代p一个n class="inlineequation"> 模型(季节和非季节一体化程度为一级的乘法、月MA模型模板)表示为:
在哪里<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量,均值为0,方差为0<年代p一个n class="inlineequation"> .
Mdl = arima(<年代p一个n style="color:#A020F0">“不变”0,<年代p一个n style="color:#A020F0">' D ',1,<年代p一个n style="color:#A020F0">“季节性”12<年代p一个n style="color:#0000FF">...“MALags”,1,<年代p一个n style="color:#A020F0">“SMALags”, 12)
描述:“arima(0,1,1)模型与季节MA(12)(高斯分布)的季节性集成”分布:名称= "高斯" P: 13 D: 1 Q: 13常数:0 AR: {} SAR: {} MA: {NaN} at lag [1] SMA: {NaN} at lag[12]季节性:12 Beta: [1×0]方差:NaN
修改模型对象
创建AR(3)模型,表示为:
在哪里<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量,均值为0,方差为0.01。
Mdl = arima(<年代p一个n style="color:#A020F0">“不变”, 0.05,<年代p一个n style="color:#A020F0">基于“增大化现实”技术的{0.6, 0.2, -0.1},<年代p一个n style="color:#A020F0">“方差”, 0.01)
Mdl = arima属性:描述:“arima(3,0,0)模型(高斯分布)”分布:名称= "高斯" P: 3 D: 0 Q: 0常数:0.05 AR:{0.6 0.2 -0.1}在滞后时[1 2 3]SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0]方差:0.01
在滞后2处加上一个带系数的非季节性MA项0.2
.然后,显示妈
财产。
Mdl。妈={00.2}
描述:“arima(3,0,2)模型(高斯分布)”分布:名称= "高斯" P: 3 D: 0 Q: 2常数:0.05 AR:{0.6 0.2 -0.1}在滞后时[1 2 3]SAR: {} MA:{0.2}在滞后时[2]SMA:{}季节性:0 Beta: [1×0]方差:0.01
Mdl。妈
ans =<年代p一个n class="emphasis">1×2单元格数组{[0]} {[0.2000]}
在模型显示中,滞后
指示与相应系数相关联的滞后。虽然MATLAB®从显示中删除零值系数,但存储系数的属性会保留它们。
将模型常数更改为1
.
Mdl。Constant = 1
描述:“arima(3,0,2)模型(高斯分布)”分布:名称= "高斯" P: 3 D: 0 Q: 2常数:1 AR:{0.6 0.2 -0.1}在滞后时[1 2 3]SAR: {} MA:{0.2}在滞后时[2]SMA:{}季节性:0 Beta: [1×0]方差:0.01
指定<年代p一个n class="emphasis">t创新产品分发
创建一个AR(1)模型模板并指定iid<年代p一个n class="inlineequation"> -自由度未知的分布式创新。使用longhand语法。
Mdl = arima(<年代p一个n style="color:#A020F0">“ARLags”,1,<年代p一个n style="color:#A020F0">“分布”,<年代p一个n style="color:#A020F0">“t”)
Mdl = arima属性:描述:“arima(1,0,0)模型(t分布)”分布:Name = "t", DoF = NaN P: 1 D: 0 Q: 0常数:NaN AR: {NaN}滞后[1]SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0]方差:NaN
自由度景深
是南
,表明自由度是可估计的。
创建完全指定的AR(1)模型,由下面的公式表示:
在哪里<年代p一个n class="inlineequation"> 是iid系列的吗<年代p一个n class="inlineequation"> - 10个自由度的分布随机变量。使用longhand语法。
创新者= struct(<年代p一个n style="color:#A020F0">“名字”,<年代p一个n style="color:#A020F0">“t”,<年代p一个n style="color:#A020F0">“景深”10);Mdl = arima(<年代p一个n style="color:#A020F0">“不变”0,<年代p一个n style="color:#A020F0">基于“增大化现实”技术的{0.6},<年代p一个n style="color:#0000FF">...“分布”innovdist)
Mdl = arima属性:描述:“arima(1,0,0)模型(t分布)”分布:名称= "t", DoF = 10 P: 1 D: 0 Q: 0常数:0 AR: {0.6} at lag [1] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0]方差:NaN
创建复合条件均值和方差模型模板
创建ARMA(1,1)条件均值模型,包含ARCH(1)条件方差模型,由以下公式表示:
使用简写语法创建ARMA(1,1)条件平均模型模板。
Mdl = arima(1,0,1)
描述:“arima(1,0,1)模型(高斯分布)”分布:名称= "高斯" P: 1 D: 0 Q: 1常数:NaN AR: {NaN}在滞后[1]时SAR: {} MA: {NaN}在滞后[1]时SMA:{}季节性:0 Beta: [1×0]方差:NaN
的方差
的属性Mdl
是南
,表示模型方差为未知常数。
的简写语法创建ARCH(1)条件方差模型模板garch
.
CondVarMdl = garch(0,1)
CondVarMdl = garch属性:描述:“garch(0,1)条件方差模型(高斯分布)”分布:名称= "高斯" P: 0 Q: 1常量:NaN GARCH: {} ARCH: {NaN} at lag[1]偏移量:0
创建复合条件均值和方差模型模板方差
的属性Mdl
来CondVarMdl
使用点表示法。
Mdl。V一个r我一个nce = CondVarMdl
描述:“arima(1,0,1)模型(高斯分布)”分布:名称= "高斯" P: 1 D: 0 Q: 1常数:NaN AR: {NaN}在滞后[1]时SAR: {} MA: {NaN}在滞后[1]时SMA:{}季节性:0 Beta: [1×0]方差:[GARCH(0,1)模型]
所有南
条件均值和方差模型的-值属性是可估计的。
ARIMAX模型
创建一个ARMAX(1,2)模型,用于预测基于员工薪酬变化的美国个人消费支出的变化。
加载美国宏观经济数据集。
负载<年代p一个n style="color:#A020F0">Data_USEconModel
数据表
是MATLAB®时间表包含季度宏观经济测量从1947:Q1到2009:Q1。PCEC
是个人消费支出系列,和COE
是职工薪酬系列。这两个变量都是级别的。有关数据的更多详细信息,请输入描述
在命令行。
级数是非平稳的。为了避免虚假回归,通过将水平转换为使用的回报来稳定变量price2ret
.计算样本容量。
pcecret = price2ret(dattable . pcec);coeret = price2ret(dattable . coe);T =数字(pcecret);
由于从水平到回报的转换涉及应用第一个差值,因此转换减少了一个观察值的总样本量。
使用简写语法创建ARMA(1,2)模型模板。
Mdl = arima(1,0,2);
在估计过程中,外生组件进入模型。因此,不需要设置β
的属性Mdl
到一个南
这估计
用其他参数将模型与数据拟合。
ARMA(1,2)进程初始化要求Mdl。P
= 1观察。因此,预采样周期是数据中的第一个时间点(第一行),估计样本是其余的数据。指定识别预样本和估计周期的变量。
idxpre = Mdl.P;idxest = (Mdl。P + 1): t;
使模型符合数据。属性指定预样本“Y0”
名称-值对参数,并使用“X”
名称-值对参数。
EstMdl =估计(Mdl,pcecret(idxest),<年代p一个n style="color:#A020F0">“Y0”pcecret (idxpre),<年代p一个n style="color:#0000FF">...“X”coeret (idx));
ARIMAX(1,0,2)模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant 0.0091866 0.001269 7.239 4.5203e-13 AR{1} -0.13506 0.081986 -1.6474 0.099479 MA{1} -0.090446 0.082052 -1.1023 0.27033 MA{2} 0.29671 0.064589 4.5939 4.3504e-06 Beta(1) 0.5831 0.048884 11.928 8.4535e-33方差5.305e-05 3.1387e-06 16.902 4.3579e-64
除滞后1 MA系数外,所有估计值均在0.1水平显著。
显示EstMdl
.
EstMdl
EstMdl = arima属性:描述:“ARIMAX(1,0,2)模型(高斯分布)”分布:名称= "高斯" P: 1 D: 0 Q: 2常数:0.00918661 AR:{-0.135062}在滞后[1]SAR: {} MA:{-0.0904457 0.296714}在滞后[1 2]SMA:{}季节性:0 Beta:[0.583095]方差:5.30503e-05
就像Mdl
,EstMdl
是一个华宇电脑
表示ARMA(1,2)流程的模型对象。不像Mdl
,EstMdl
是完全指定的,因为它适合于数据,并且EstMdl
由于含有外生成分,故为ARMAX(1,2)模型。
模拟ARIMA模型
创建一个华宇电脑
下式中表示的随机游走的模型对象:
在哪里<年代p一个n class="inlineequation"> 是一组均值为0,方差为1的iid高斯随机变量。
Mdl = arima(0,1,0);Mdl。Constant = 0; Mdl.Variance = 1; Mdl
Mdl = arima属性:描述:“arima(0,1,0)模型(高斯分布)”分布:名称= "高斯" P: 1 D: 1 Q: 0常数:0 AR: {} SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0]方差:1
Mdl
是完全指定的华宇电脑
模型对象。
模拟并从随机行走中绘制1000条长度为100的路径。
rng (1)<年代p一个n style="color:#228B22">%用于再现性Y =模拟(Mdl,100,<年代p一个n style="color:#A020F0">“NumPaths”, 1000);情节(Y)标题(<年代p一个n style="color:#A020F0">“随机行走过程的模拟路径”)
ARIMA预测模型
预测纳斯达克500天内的日收盘价。
加载美国股票指数数据集。
负载<年代p一个n style="color:#A020F0">Data_EquityIdx
数据集包含从1990年到2001年的每日纳斯达克收盘价。请输入描述
在命令行。
假设ARIMA(1,1,1)模型适用于描述纳斯达克前1500点收盘价。创建一个ARIMA(1,1,1)模型模板。
Mdl = arima(1,1,1);
估计
需要一个大小的样品Mdl。P
= 2。
使模型符合数据。指定前两个观察结果作为一个示例。
idxpre = 1:Mdl.P;idxest = (Mdl。P + 1):1500;EstMdl =估计(Mdl, dattable . nasdaq (idxest),<年代p一个n style="color:#0000FF">...“Y0”DataTable.NASDAQ (idxpre));
ARIMA(1,1,1)模型(Gaussian分布):Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant 0.43291 0.18607 2.3265 0.019989 AR{1} -0.076322 0.082045 -0.93025 0.35224 MA{1} 0.31312 0.077284 4.0516 5.0879e-05方差27.86 0.63785 43.678 0
通过将估计的模型传递给预测
.要初始化预测模型,请指定估计数据中的最后两个观测值作为预样本。
yf0 =数据表。NASDAQ(idxest(end - 1:end)); yf = forecast(EstMdl,500,yf0);
画出前2000个观测值和预测值。
日期= datetime(日期,<年代p一个n style="color:#A020F0">“ConvertFrom”,<年代p一个n style="color:#A020F0">“datenum”,<年代p一个n style="color:#0000FF">...“格式”,<年代p一个n style="color:#A020F0">“yyyy-MM-dd”);图h1 = plot(日期(1:2000),dattable . nasdaq (1:2000));持有<年代p一个n style="color:#A020F0">在H2 = plot(日期(1501:2000),yf,<年代p一个n style="color:#A020F0">“r”);传奇((h1 h2),<年代p一个n style="color:#A020F0">“观察”,<年代p一个n style="color:#A020F0">“预测”,<年代p一个n style="color:#0000FF">...“位置”,<年代p一个n style="color:#A020F0">“西北”)标题(<年代p一个n style="color:#A020F0">纳斯达克综合指数:1990-01-02 - 1997-11-25)包含(<年代p一个n style="color:#A020F0">“时间(天)”) ylabel (<年代p一个n style="color:#A020F0">“收盘价”)举行<年代p一个n style="color:#A020F0">从
1995年开始后,模型预测几乎总是低估真实的收盘价。
更多关于
滞后算子
滞后算子l定义为<年代p一个n class="inlineequation"> 滞后运算符浓缩了多项式符号。
线性时间序列模型
响应过程的线性时间序列模型y<年代ub>t随机创新ε<年代ub>t是一个<一个href="//www.tatmou.com/ch/ch/help/econ/stationary-stochastic-process.html" class="a">随机过程其中,当前响应是先前响应、当前和先前创新以及外生协变量的线性函数x<年代ub>t.在差分方程符号中,线性时间序列模型的一般形式为:
鉴于w而且v,所有系数都是可估计的。
表达<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">滞后算子表示法,一般模型形式为:
模型中的滞后算子多项式通常表示为非季节效应多项式和乘法季节效应多项式与积分的乘积:下载188bet金宝搏
模型组件 | 描述 | 华宇电脑 财产 |
---|---|---|
一个p-度稳定非季节AR多项式。 |
|
|
D | 非季节性整合程度 | D |
一个p<年代ub>年代-度稳定,乘法季节AR多项式。 |
|
|
年代 | 季节性,或季节差异多项式的程度 |
|
D<年代ub>年代 | 季节整合度 | 没有相应的属性,但是:
|
c | 模型常数 | 常数 |
β | 外生协变量回归系数 | β |
一个问-次可逆非季节MA多项式。 |
妈 存储系数;指数对应于滞后指数。 |
|
一个问<年代ub>年代-度可逆,乘法季节MA多项式。 |
SMA 存储系数;指数对应于滞后指数。 |
|
ε<年代ub>t | 一系列随机的iid创新 | 分布 存储发行版名称和任何参数。 |
模型属性
P
等于p+D+p<年代ub>年代+年代.模型属性
问
等于问+问<年代ub>年代.
请注意
季节多项式中滞后算子的次Φ(l)及Θ(l)不符合博克斯和詹金斯定义的程度<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">[1].换句话说,计量经济学工具箱™不处理p1=年代,p2= 2年代,...,p<年代ub>年代=r<年代ub>p年代而且问1=年代,问2= 2年代,...,问<年代ub>年代=r<年代ub>问年代在哪里r<年代ub>p而且r<年代ub>问都是正整数。该软件是灵活的,允许您指定延迟操作符的程度。看到<一个href="//www.tatmou.com/ch/ch/help/econ/specify-seasonal-arima-models.html" class="a">乘法ARIMA模型规范.
平稳性
一个随机过程y<年代ub>t是静止的如果它的期望值、方差和序列元素之间的协方差与时间无关。
例如,MA(问)模式,并附有C = 0,对任何都是静止的<年代p一个n class="inlineequation"> 因为下面的每一个都是免费的t对于所有时间点<一个href="//www.tatmou.com/ch/ch/help/econ/arima.html" class="intrnllnk">[1].
单位根
时间序列<年代p一个n class="inlineequation"> 如果其期望值、方差或协方差随时间增长,则为单位根过程。因此,时间序列是非平稳的。
参考文献
[1]<年代p一个n>博克斯,乔治·e·P,格温林·m·詹金斯,格里高利·c·赖塞尔。时间序列分析:预测与控制.恩格尔伍德悬崖,新泽西州:普伦蒂斯大厅,1994年。
版本历史
另请参阅
应用程序
对象
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。