估计

对数据拟合自回归综合移动平均(ARIMA)模型

折叠所有页面

语法

EstMdl=估计值（Mdl，y）

EstMdl =估计(Mdl y、名称、值)

[EstMdl, EstParamCov logL信息]=估计(___)

描述

实例

EstMdl=估计(Mdl,Y)部分指定的ARIMA参数的估计(P,D,Q)模型Mdl给定观察到的单变量时间序列Y使用最大似然。EstMdl是存储参数估计的对应的完全指定的ARIMA模型。

实例

EstMdl=估计(Mdl,Y,名称、值)使用由一个或多个名称值参数指定的附加选项。例如,“X”,X在模型中包含外生数据的线性回归组件X．

实例

[EstMdl,EstParamCov,logL,信息) =估计(___)还返回与估计参数相关的方差-协方差矩阵EstParamCov，优化对数似然目标函数值logL、摘要信息信息，使用前面语法中的任何输入参数组合。

例子

全部折叠

ARMA模型的估计

打开生活的脚本

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

$Y_{T} = 0 ． 5. Y_{T - 1.} - 0 ． 3. Y_{T - 2.} + ε_{T} + 0 ． 2. ε_{T - 1.},$

哪里 $ε_{T}$ 是一系列平均值为0，方差为0.1的iid高斯随机变量。

创建表示DGP的ARMA（2,1）模型。

DGP=arima(“AR”{0.5, -0.3},“马”, 0.2,...“常数”0,“差异”, 0.1)

DGP=arima，属性：Description:“arima（2,0,1）模型（高斯分布）”分布：Name=“Gaussian”P:2d:0q:1常数：0ar:{0.5-0.3}滞后[12]SAR:{}MA:{0.2}滞后[1]SMA:{}季节性：0β：[1×0]方差：0.1

DGP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）；%的再现性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DGP．

估计模型

创建一个ARMA(2,1)模型模板进行估计。

Mdl=arima（2,0,1）

描述:“arima(2,0,1)模型(高斯分布)”分布:Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: NaN AR: {NaN NaN} at lag [1 2] 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。仅指定确定模型结构的必需、不可估计的参数。楠价值属性,包括 $ϕ_{1.}$ , $ϕ_{2.}$ , $θ_{1.}$ , $C$ , $σ^{2.}$ ，为待估计的未知模型参数。

将ARMA（2,1）模型拟合到Y．

EstMdl=估计值（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

描述:“arima(2,0,1)模型(高斯分布)”分布:Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: 0.00890178 AR: {0.495632 -0.254951} at lag [1 2] SAR: {} MA: {0.27737} at lag [1] SMA:{}季节性:0 Beta: [1×0] Variance: 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 $P$ -值的渐近 $T$ -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。

在估计过程中对参数应用相等约束

打开生活的脚本

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为

$Y_{T} = 0 ． 5. Y_{T - 1.} - 0 ． 3. Y_{T - 2.} + ε_{T},$

哪里 $ε_{T}$ 是一系列平均值为0，方差为0.1的iid高斯随机变量。

创建表示DGP的AR（2）模型。

DGP=arima(“AR”{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）；%的再现性T=500；y=模拟（DGP，T）；

创建指定约束的模型对象

假设 $Y_{T}$ 是0，这意味着 $C$ 是0。

为估算创建AR（2）模型。设置 $C$ 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。楠价值属性,包括 $ϕ_{1.}$ , $ϕ_{2.}$ , $σ^{2.}$ ，为待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=估计值（Mdl，y）

ARIMA(2,0,0)模型(高斯分布):值StandardError TStatistic PValue ________ _____________ __________ __________ Constant 00 NaN NaN AR{1} 0.56342 0.044225 12.74 3.5474e-37 AR{2} -0.29355 0.041786 -7.0252 2.137e-12方差0.10022 0.006644 15.085 2.0476e-51

EstMdl=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:{0.563425-0.293554}滞后[12]SAR:{}MA:{}SMA:{}季节性：0beta:[1×0]方差：0.100222

EstMdl是完全指定的，估计的吗华宇电脑模型对象;其估计类似于AR(2)模型的参数值DGP．的价值 $C$ 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。

使用前样本响应数据初始化模型估计

打开生活的脚本

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

加载美国股票指数数据集Data_EquityIdx．

负载Data_EquityIdx

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=日期时间（日期，“ConvertFrom”,“datenum”,“格式”,“yyyy-MM-dd”）;TT = table2timetable(数据表,“RowTimes”, 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StandardError TStatistic PValue ________ _____________ __________ ________ Constant 0.15775 0.097888 1.6115 0.10707 AR{1} -0.21984 0.15652 -1.4045 0.16016 MA{1} 0.28529 0.15393 1.8534 0.063825方差17.17 0.20065 85.573 0

EstMdl是完全指定的，估计的吗华宇电脑模型对象。

指定优化的初始参数值

打开生活的脚本

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

加载美国股票指数数据集Data_EquityIdx．

负载Data_EquityIdx

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=日期时间（日期，“ConvertFrom”,“datenum”,“格式”,“yyyy-MM-dd”）;TT = table2timetable(数据表,“RowTimes”, dt);

使模型适合试点样本

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”}，“康斯坦特”，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。

估计包含外生预测因子的ARIMA模型(ARIMAX)

打开生活的脚本

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 $Y_{T}$ 在方程中

$(1. - 0 ． 5. L + 0 ． 3. L^{2.}) (1. - L)^{1.} Y_{T} = 2. + 1. ． 5. x_{1., T} + 2. ． 6. x_{2., T} - 0 ． 3. x_{3., T} + ε_{T},$

哪里 $ε_{T}$ 是一系列平均值为0，方差为0.1的iid高斯随机变量。

DGP=arima(“AR”{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 $x_{1., T}$ , $x_{2., T}$ , $x_{3., T}$ 由AR(1)流程表示

$\begin{array}{cccccccccccccccccccc} x_{1., T} = 0 ． 1. x_{1., T - 1.} + η_{1., T} \\ x_{2., T} = 0 ． 2. x_{2., T - 1.} + η_{2., T} \\ x_{3., T} = 0 ． 3. x_{3., T - 1.} + η_{3., T}, \end{array}$

哪里 $η_{我, T}$ 遵循平均值为0、方差为0.01的高斯分布 $我 \in {1., 2., 3.}$ .创建代表外生变量的ARIMA模型。

MdlX1 = arima (“AR”, 0.1,“常数”0,“差异”, 0.01);MdlX2 = arima (“AR”, 0.2,“常数”0,“差异”, 0.01);MdlX3 = arima (“AR”, 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）；%的再现性x1 =模拟(MdlX1 T);x2 =模拟(MdlX2 T);x3 =模拟(MdlX3 T);X = [x1 x2 x3];

X是一个1000乘3的模拟时间序列数据矩阵。每一行对应于时间序列中的一个观察结果，每一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（DGP，T，“X”, X);

Y是一个1000乘1的响应数据向量。

估计模型

创建一个ARIMA(2,1,0)模型模板进行估计。

Mdl = arima (2, 1, 0)

Mdl=arima，属性：Description:“arima（2,1,0）模型（高斯分布）”分布：Name=“Gaussian”P:3 D:1 Q:0常数：NaN AR:{NaN NaN NaN}滞后[1 2]SAR:{MA:{}SMA:{}季节性：0β：[1×0]方差：NaN

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是外生预测因子的不可知论者。

估计ARIMAX(2,1,0)模型;指定外生预测器数据。因为估计预采样响应的回溯（ARIMAX模型需要预采样预测数据的过程），使模型适合最新的数据T - Mdl。P响应。（或者，您可以使用“Y0”名称-值对的观点。)

EstMdl=估算值（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。

当您使用估计并通过指定。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，并包含外生变量的线性回归组件。

估计模型为

$(1. - 0 ． 56 L + 0 ． 27 L^{2.}) {(1. - L)}^{1.} Y_{T} = 1. ． 75 + {1. ． 48 x}_{1., T} + 2. ． 56 x_{2., T} - 0 ． 34 x_{3., T} + ε_{T},$

类似于由Mdl0．因为MATLAB返回的模型AR系数是用差分方程表示的，所以方程中它们的符号是相反的。

计算估计标准误差

打开生活的脚本

加载美国股票指数数据集Data_EquityIdx．

负载Data_EquityIdx

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=日期时间（日期，“ConvertFrom”,“datenum”,“格式”,“yyyy-MM-dd”）;TT = table2timetable(数据表,“RowTimes”, 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，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。行和列EstParamCov对应于估计和推断表中的行;例如, ${C o v}_{}^{ˆ} ({ϕ_{}^{ˆ}}_{1.}, {θ_{}^{ˆ}}_{1.}) = - 0 ． 0 2. 4.$ ．

通过取协方差矩阵对角线元素的平方根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 $ϕ$ ．

T =大小(TT, 1);有效样本量phihat=EstMdl.AR{1}；sephihat=estParamSE（2）；ciphi=phihat+tinv（[0.0250.975]，T-3）*sephihat

ciphi =1×2-0.5266 - 0.0867

区间包含0，说明 $ϕ$ 是无关紧要的。

计算拟合响应值

打开生活的脚本

加载美国股票指数数据集Data_EquityIdx．

负载Data_EquityIdx

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=日期时间（日期，“ConvertFrom”,“datenum”,“格式”,“yyyy-MM-dd”）;TT = table2timetable(数据表,“RowTimes”, 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”）;

推断残差 $\hat{ε_{T}}$ 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”});

渣油是(T - Mdl。P)-乘1的残差向量。

计算拟合值 $\hat{Y_{T}}$ ．

yhat = TT {estidx,“纽约”}-剩余；

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)

图中包含一个轴对象。轴对象包含两个类型为line的对象。

拟合值与观测值密切相关。

绘制残差与拟合值的对比图。

情节(yhat、渣油、'.') ylabel (“残差”)包含(的拟合值)

图中包含一个轴对象。axis对象包含一个类型为line的对象。

拟合值越大，剩余方差越大。解决此问题的一个方法是对数据应用对数变换。

输入参数

全部折叠

`Mdl`—部分指定ARIMA模型
`华宇电脑`模型对象

部分指定的ARIMA模型，用于指示约束和可估计的模型参数，指定为华宇电脑返回的模型对象华宇电脑或估计.特性Mdl描述模型结构并指定参数。

估计适合不明(楠-值）数据的参数Y．

估计在估计过程中，将指定的参数视为等式约束。

`Y`—单路径响应数据
数字列向量

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

名称-值参数

指定可选的逗号分隔的字符对名称、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．

例子:“Y0”，Y0，'X'，X使用向量Y0作为估计所需的样本前响应，并包括一个线性回归组件，用于X．

估计选项

全部折叠

`X`—外生预测数据
矩阵

外生预测器数据为线性回归分量，指定为逗号分隔对组成“X”和一个矩阵。

列X是独立的、同步的时间序列。最后一行包含最新的观察结果。

如果未使用指定预采样响应数据“Y0”的行数X至少元素个数(y) + Mdl。P。否则X必须至少为的长度Y．

如果X超过所需的数量，估计仅使用最新的观察结果。

估计同步X和Y以便最新的观察(最后一行)同时发生。

默认情况下,估计不估计回归系数，无论他们在Mdl．

数据类型:双

`选项`—优化选项
`最佳选择`优化控制器

优化选项，指定为逗号分隔对，由“选项”和一个最佳选择优化控制器。修改优化器默认值的详细信息请参见最佳选择或fmincon在优化工具箱™。

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”).那么，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
`“params”`(默认)|`“诊断”`|`“全部”`|`“国际热核实验堆”`|`“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
`“国际热核实验堆”`	迭代优化的信息
`“关闭”`	没有一个
`“params”`	最大似然参数估计，标准误差，和T统计数据

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:字符|单间牢房|一串

Presample规范

全部折叠

`Y0`—Presample响应数据
数字列向量

用于初始化模型的预采样响应数据，指定为逗号分隔的对，由“Y0”和一个数值列向量。

长度Y0至少Mdl。P如果Y0有额外的行,估计仅使用最新版本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,估计对必要数量的样本前响应进行反向预测（回溯）。

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

`E0`—Presample创新
数字列向量

Presample创新ε_T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。

长度E0至少Mdl。问如果E0有额外的行,估计仅使用最新版本Mdl。问预采样创新。最后一行包含最新的预采样创新。

如果Mdl.方差是条件方差模型对象，例如加什模型估计可以要求多于Mdl。问presample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

`V0`—Presample条件方差
数值正列向量

Presample条件方差σ^2._T用于初始化任何条件方差模型，指定为逗号分隔对，由“半”和一个数值正的列向量。

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

初始值的规范

全部折叠

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

`Variance0`—创新方差的初步估计
积极的标量|名称-值对参数的单元格向量

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`楠`	恒定方差	积极的标量
`加什`,`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函数

默认情况下,估计使用标准时间序列技术导出初始估计。

例子:对于方差为常数的模型，设置“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，集合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0.1ARCH多项式的滞后系数1。

数据类型:双|单间牢房

请注意

楠输入数据中的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EffectiveSample．
从预采样和EffectiveSample至少包含一个楠．

Listwise删除减少了样本大小，并可能创建不规则的时间序列。

输出参数

全部折叠

`EstMdl`-估计的ARIMA模型
`华宇电脑`模型对象

估计的ARIMA模型，作为华宇电脑模型对象。

EstMdl这是一份Mdl有楠用参数估计替换的值。EstMdl完全指定。

`EstParamCov`-估计协方差矩阵的最大似然估计
半正定数值矩阵

优化器已知的最大似然估计的协方差矩阵，返回为正半定数值矩阵。

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按以下顺序出现：

常数
非零应收账系数在正滞后，从最小到最大滞后
非零特别行政区系数在正滞后，从最小到最大滞后
非零文科硕士系数在正滞后，从最小到最大滞后
非零SMA系数在正滞后，从最小到最大滞后
回归系数(当您指定外生数据时X)，按列排序X
方差参数，常数方差模型的标量和条件方差模型的矢量(见估计对于参数的顺序）
自由度(T-（仅限创新分销）

数据类型:双

`logL`-优化的对数似然目标函数值
数字标量

优化的对数似然目标函数值，作为数字标量返回。

数据类型:双

`信息`-优化总结
结构数组

优化摘要，作为结构数组返回，包含此表中描述的字段。

场	描述
`出口滞后`	优化退出标志(参见`fmincon`在优化工具箱)
`选项`	优化选项控制器(见`最佳选择`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

提示

要访问估计结果的值，包括模型中自由参数的数量，通过EstMdl来总结．

算法

估计推断潜在响应序列的创新点和条件方差(当存在时)，然后使用约束最大似然来拟合模型Mdl响应数据Y．
因为您可以指定预样例数据输入Y0,E0,V0不同的长度,估计假设所有指定的集合都具有以下特征:
- 在每个集合中，最后的观察(行)同时发生。
- 根据采样频率，估计样本中的第一个观测值紧随前样本中的最后一个观测值。
如果指定“显示”名称-值对参数，该值将覆盖诊断和显示设置“选项”名称-值对的论点。否则,估计使用以下命令显示优化信息“选项”设置。
估计使用梯度的外积(OPG)方法来执行协方差矩阵估计．

参考文献

［1］鲍克斯、乔治·E·P、格维里姆·M·詹金斯和格雷戈里·C·莱因塞尔。时间序列分析:预测与控制第三版。恩格尔伍德悬崖，新泽西州：普伦蒂斯大厅，1994年。

［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。

另见

对象

华宇电脑

功能

模拟|预测|推断出|总结

话题

2012年推出

估计

语法

描述

例子

ARMA模型的估计

在估计过程中对参数应用相等约束

使用前样本响应数据初始化模型估计

指定优化的初始参数值

估计包含外生预测因子的ARIMA模型(ARIMAX)

计算估计标准误差

计算拟合响应值

输入参数

Mdl—部分指定ARIMA模型华宇电脑模型对象

Y—单路径响应数据数字列向量

名称-值参数

X—外生预测数据矩阵

选项—优化选项最佳选择优化控制器

显示—命令窗口显示选项“params”(默认)|“诊断”|“全部”|“国际热核实验堆”|“关闭”|字符串向量|字符向量的细胞向量

Y0—Presample响应数据数字列向量

E0—Presample创新数字列向量

V0—Presample条件方差数值正列向量

Constant0—模型常数的初始估计数字标量

AR0—非季节性AR多项式系数的初步估计数值向量

SAR0—季节自回归多项式系数的初始估计数值向量

MA0—非季节移动平均多项式系数的初始估计数值向量

SMA0—季节移动平均多项式系数的初步估计数值向量

Beta0—回归系数的初步估计数值向量

DoF0—初步估计T-分布自由度参数10(默认)|积极的标量

Variance0—创新方差的初步估计积极的标量|名称-值对参数的单元格向量

输出参数

EstMdl-估计的ARIMA模型华宇电脑模型对象

EstParamCov-估计协方差矩阵的最大似然估计半正定数值矩阵

logL-优化的对数似然目标函数值数字标量

信息-优化总结结构数组

提示

算法

参考文献

另见

对象

功能

话题

计量经济学工具文档

金宝app

用MATLAB建模金融风险的实用指南

`Mdl`—部分指定ARIMA模型
`华宇电脑`模型对象

`Y`—单路径响应数据
数字列向量

`X`—外生预测数据
矩阵

`选项`—优化选项
`最佳选择`优化控制器

`显示`—命令窗口显示选项
`“params”`(默认)|`“诊断”`|`“全部”`|`“国际热核实验堆”`|`“关闭”`|字符串向量|字符向量的细胞向量

`Y0`—Presample响应数据
数字列向量

`E0`—Presample创新
数字列向量

`V0`—Presample条件方差
数值正列向量

`Constant0`—模型常数的初始估计
数字标量

`AR0`—非季节性AR多项式系数的初步估计
数值向量

`SAR0`—季节自回归多项式系数的初始估计
数值向量

`MA0`—非季节移动平均多项式系数的初始估计
数值向量

`SMA0`—季节移动平均多项式系数的初步估计
数值向量

`Beta0`—回归系数的初步估计
数值向量

`DoF0`—初步估计T-分布自由度参数
`10`(默认)|积极的标量

`Variance0`—创新方差的初步估计
积极的标量|名称-值对参数的单元格向量

`EstMdl`-估计的ARIMA模型
`华宇电脑`模型对象

`EstParamCov`-估计协方差矩阵的最大似然估计
半正定数值矩阵

`logL`-优化的对数似然目标函数值
数字标量

`信息`-优化总结
结构数组