创建单变量自回归综合移动平均(ARIMA)模型
的华宇电脑
函数返回一个华宇电脑
对象指定函数形式并存储ARIMA的参数值(p,D,问)<一个href="//www.tatmou.com/de/help/econ/arima.html" class="intrnllnk">线性时间序列模型对于单变量反应过程yt.
华宇电脑
使您能够创建ARIMA模型的变体,包括:
一个自回归(AR (p)),均线(移动均线(问)),或ARMA (p,问)模型。
一个包含乘数季节成分的模型(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).
一个包含外生协变量(ARIMAX)线性回归成分的模型。
一个复合条件均值和条件方差模型。例如,您可以创建一个ARMA条件平均模型,其中包含一个GARCH条件方差模型(<一个href="//www.tatmou.com/de/help/econ/garch.html">garch
).
关键的组成部分华宇电脑
对象是多项式次数(例如,AR多项式次数)p以及整合的程度D),因为它们完全指定了模型结构。给定多项式次数,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,除非您指定它们的值。
要估计一个包含未知参数值的模型,将模型和数据传递给<一个href="//www.tatmou.com/de/help/econ/arima.estimate.html">估计
.用估计的或完全指定的方法工作华宇电脑
对象,将其传递给<一个href="//www.tatmou.com/de/help/econ/arima.html" class="intrnllnk">目标函数.
或者,您可以:
创造和工作华宇电脑
通过使用交互建模对象<年代tr在g class="app">计量经济学建模师.
通过建立一个具有ARIMA误差的回归模型,在一个干扰序列中建立序列相关模型。有关详细信息,请参见<一个href="//www.tatmou.com/de/help/econ/regarima-class.html">regARIMA
和<一个href="//www.tatmou.com/de/help/econ/convert-between-armax-and-regarima-models.html" class="a">可供选择的ARIMA模型表示.
创建一个ARIMA(0,0,0)模型,仅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
创建一个ARIMA (Mdl
= arima (<一个href="//www.tatmou.com/de/help/econ/#mw_e831d764-ddaa-4780-b31f-43323cec4014" class="intrnllnk">p
,<一个href="//www.tatmou.com/de/help/econ/#mw_e92d243b-fbae-4167-93af-9073f343c0f3" class="intrnllnk">D
,<一个href="//www.tatmou.com/de/help/econ/#mw_5a7254cf-848d-423c-a729-edebdd66d000" class="intrnllnk">问
)p
,D
,问
)模型包含从1到1的非季节性AR多项式滞后p
,程度D
非季节积分多项式和非季节MA多项式从1到1的滞后问
.
这种简写语法提供了一种创建模型模板的简单方法,在该模板中可以显式指定非季节性多项式的程度。该模型模板适用于不受限制的参数估计。在创建模型之后,您可以进行更改<一个href="//www.tatmou.com/de/help/econ/arima.html" class="intrnllnk">财产值使用点表示法。
集<一个href="//www.tatmou.com/de/help/econ/arima.html" class="intrnllnk">属性使用名称-值对参数的多项式滞后。把每个名字用引号括起来。例如,Mdl
= arima (<一个href="//www.tatmou.com/de/help/econ/#namevaluepairarguments" class="intrnllnk">名称,值
)“ARLags”,[1 - 4],基于“增大化现实”技术,{0.5 - -0.1}
指定的值-0.5
和0.1
为非季节性滞后AR多项式系数1
和4
,分别。
这种手工语法允许您创建更灵活的模型。华宇电脑
从你设置的属性推断所有多项式次数。因此,多项式次数对应的性质值必须彼此一致。
这种简写语法为您提供了一种创建非季节性ARIMA模型模板的简单方法,该模板适用于不受限制的参数估计。例如,要创建一个包含未知系数和创新方差的ARMA(2,1)模型,输入:
Mdl = arima (0, 1);
p
- - - - - -<年代p一个n itemprop="purpose">非季节性自回归多项式次数非季节自回归多项式次数,指定为非负整数。
数据类型:双
D
- - - - - -<年代p一个n itemprop="purpose">非季节性综合程度非季节积分的程度(非季节差分多项式的程度),指定为非负整数。D
设置属性<一个href="//www.tatmou.com/de/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次数非季节性移动平均多项式次,指定为非负整数。
数据类型:双
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
.
通过使用手工语法,您可以创建季节性模型,或者一些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等式约束。
“ARLags”,[1 - 4],基于“增大化现实”技术,{0.5 - -0.1}
指定非季节性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,指定为逗号分隔对,由“ARLags”
和一个唯一正整数的数字向量。最大滞后是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]
指定非季节性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">与非季节性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性MA多项式系数相关的滞后,指定为逗号分隔对组成“MALags”
和一个唯一正整数的数字向量。最大滞后是问.
马{
是滞后系数吗j
}MALags (
.j
)
例子:MALags, 1:3
指定非季节性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">与季节性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性AR多项式系数相关的滞后,指定为逗号分隔对,由“SARLags”
和一个唯一正整数的数字向量。最大滞后是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,而不是作为季节性
财产。这个惯例不符合Box和Jenkins的标准<一个href="//www.tatmou.com/de/help/econ/arima.html" class="intrnllnk">[1]符号,但它更灵活地合并乘法季节性。
例子:“SARLags”,[4 8]
指定季节性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">与季节性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性MA多项式系数相关的滞后,指定为逗号分隔对组成“SMALags”
和一个唯一正整数的数字向量。最大滞后是问<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,而不是作为季节性
财产。这个惯例不符合Box和Jenkins的标准<一个href="//www.tatmou.com/de/help/econ/arima.html" class="intrnllnk">[1]符号,但它更灵活地合并乘法季节性。
例子:“SMALags”4
指定了季节性MA多项式<年代p一个n class="inlineequation">
数据类型:双
请注意
多项式次数是不可估计的。如果你没有指定一个多项式次数,或者华宇电脑
不能从其他规范中推断出来,华宇电脑
模型中不包含多项式。
您可以在通过使用名称-值对参数语法创建模型对象时设置可写属性值,或者在通过使用点表示法创建模型对象之后设置可写属性值。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
-值属性表示可估计的参数。数值性质表明了模型估计过程中参数的相等约束。系数向量可以包含数值和南
价值元素。
你可以指定多项式系数为任意方向的向量,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多项式次数此属性是只读的。
复合AR多项式次数,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/de/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
和特别行政区
,分别),非季节性整合(属性D
)和季节性(属性)季节性
).明确地,P
=p+D+p<年代ub>年代+年代.P
符合盒子和詹金斯符号的模型,没有集成或季节性的AR成分。
P
指定初始化模型AR分量所需的滞后观测数。
数据类型:双
问
- - - - - -<年代p一个n itemprop="purpose">复合MA多项式次数此属性是只读的。
复合MA多项式次,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/de/help/econ/arima.html" class="intrnllnk">[1]因为问
捕获非季节性和季节性MA多项式的度(性质)马
和SMA
分别)。明确地,问
=问+问<年代ub>年代.问
符合无季节性MA分量模型的Box和Jenkins表示法。
问
指定初始化模型MA组件所需的滞后创新数量。
数据类型:双
描述
- - - - - -<年代p一个n itemprop="purpose">模型描述模型描述,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">结构数组条件概率分布的创新过程,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自由度分布参数。
景深
> 2或景深
=南
.
景深
是有价值的。
如果您指定“t”
,景深
是南
默认情况下。您可以在创建模型之后通过使用点表示法更改它的值。例如,Mdl.Distribution.DoF = 3
.
如果您提供一个结构数组来指定Student的t分布,则必须指定“名字”
和“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">非季节性AR多项式系数非季节性AR多项式系数,指定为细胞向量。单元格包含数字标量或南
值。一个完全指定的非季节性AR多项式必须是稳定的。
系数符号对应于用差分方程表示的模型。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}
.
如果您使用简写语法来指定p
> 0,基于“增大化现实”技术的{
的值j
}南
它是滞后系数
,j
= 1,…,j
p
.
如果你设置<一个href="//www.tatmou.com/de/help/econ/arima.html" class="intrnllnk">“ARLags”
的名称-值对参数ARLags
,则须符合以下条件。
的长度基于“增大化现实”技术
和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 (
,尽管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。
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/de/help/econ/lagop.html">LagOp
滞后算子多项式,并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12
或以下,华宇电脑
排除该系数及其相应的滞后ARLags
从模型。
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">季节性AR多项式系数季节AR多项式系数,指定为细胞向量。单元格包含数字标量或南
值。一个完全指定的季节性AR多项式必须是稳定的。
系数符号对应于用差分方程表示的模型。例如,对于季节性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/de/help/econ/arima.html" class="intrnllnk">“SARLags”
的名称-值对参数SARLags
,则须符合以下条件。
的长度特别行政区
和SARLags
必须是相等的。
SAR {
是滞后系数吗j
}SARLags (
,尽管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,且模型不包含季节性AR多项式。
的系数特别行政区
对应于底层的系数<一个href="//www.tatmou.com/de/help/econ/lagop.html">LagOp
滞后算子多项式,并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12
或以下,华宇电脑
排除该系数及其相应的滞后SARLags
从模型。
例子:{0.2 - 0.1}
例子:{NaN 0 0 NaN}
数据类型:细胞
马
- - - - - -<年代p一个n itemprop="purpose">非季节性MA多项式系数非季节性的MA多项式系数,指定为细胞向量。单元格包含数字标量或南
值。一个完全指定的非季节性MA多项式必须是可逆的。
如果您使用简写语法来指定问
> 0,马{
有价值的j
}南
它是滞后系数
,j
= 1,…,j
问
.
如果你设置<一个href="//www.tatmou.com/de/help/econ/arima.html" class="intrnllnk">“MALags”
的名称-值对参数MALags
,则须符合以下条件。
的长度马
和MALags
必须是相等的。
马{
是滞后系数吗j
}MALags (
,尽管j
)
在j
MALags
.
默认情况下,马{
=j
}南
对所有
在j
MALags
.
否则,马
为空,且模型不包含非季节性MA多项式。
的系数马
对应于底层的系数<一个href="//www.tatmou.com/de/help/econ/lagop.html">LagOp
滞后算子多项式,并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12
或以下,华宇电脑
排除该系数及其相应的滞后MALags
从模型。
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多项式系数季节MA多项式系数,指定为细胞向量。单元格包含数字标量或南
值。一个完全指定的季节性MA多项式必须是可逆的。
如果你设置<一个href="//www.tatmou.com/de/help/econ/arima.html" class="intrnllnk">“SMALags”
的名称-值对参数SMALags
,则须符合以下条件。
的长度SMA
和SMALags
必须是相等的。
SMA {
是滞后系数吗j
}SMALags (
,尽管j
)
在j
SMALags
.
默认情况下,SMA {
=j
}南
对所有
在j
SMALags
.
否则,SMA
为空,且模型不包含季节性MA多项式。
的系数SMA
对应于底层的系数<一个href="//www.tatmou.com/de/help/econ/lagop.html">LagOp
滞后算子多项式,并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12
或以下,华宇电脑
排除该系数及其相应的滞后SMALags
从模型。
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">非季节性综合程度0
(默认)|<年代p一个n itemprop="inputvalue">非负整数指定为非负整数的非季节性积分或非季节性差分多项式的次数。
例子:1
数据类型:双
季节性
- - - - - -<年代p一个n itemprop="purpose">季节差分多项式的度0
(默认)|<年代p一个n itemprop="inputvalue">非负整数季节差分多项式的次数年代,指定为非负整数。
例子:12
指定每月周期性。
数据类型:双
β
- - - - - -<年代p一个n itemprop="purpose">组件回归系数条件均值的回归分量系数,指定为数值向量。
如果你打算估算β
,则不需要指定。在评估期间,估计
推断的大小β
指定外生数据的列数X
.
例子:(0.5南3)
数据类型:双
方差
- - - - - -<年代p一个n itemprop="purpose">模式创新方差南
(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/de/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/de/help/econ/conditional-variance-models.html" class="a">条件方差模型.
正标量或南
指定同方差模型。条件方差模型对象指定一个复合条件均值和方差模型。估计
拟合成分中所有未知的、可估计的参数。
例子:1
例子:garch (1, 0)
数据类型:双
使用以下命令创建默认的ARIMA模型华宇电脑
.
Mdl = arima
描述:“arima(0,0,0)模型(高斯分布)”分布:Name = "Gaussian" P: 0 D: 0 Q: 0 Constant: NaN AR: {} SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0] Variance: NaN . var: {} SMA: {
Mdl
是一个华宇电脑
对象。模型的属性显示在命令行。
默认模型是
,
在哪里<年代p一个n class="inlineequation"> 是未知的常数和<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量的均值为0和方差<年代p一个n class="inlineequation"> .
Mdl
是用于估计的模型模板。您可以使用点符号来修改属性值,或者使用估计
,但你不能通过Mdl
到任何其他对象函数。
创建ARIMA(2,1,1)模型,表示为:
在哪里<年代p一个n class="inlineequation"> 为一系列iid高斯随机变量。使用手写语法来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:Name = "Gaussian" P: 3 D: 1 Q: 1 Constant: 3.1 AR: {-0.5} at lag [2] SAR: {} MA: {-0.2} at lag [1] SMA:{}季节性:0 Beta: [1×0] Variance: NaN
Mdl
是完全指定的华宇电脑
对象,因为它的所有参数都已知。你可以通过Mdl
任何华宇电脑
目标函数除外估计
.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AR(1)模型,如下所示:
在哪里<年代p一个n class="inlineequation">
为一系列iid高斯随机变量,均值为0,方差为0.5。使用简写语法来指定一个AR(1)模型模板,然后使用点符号来设置常数
和方差
属性。
Mdl = arima (1,0,0);Mdl。Constant = 1; Mdl.Variance = 0.5; Mdl
描述:“arima(1,0,0)模型(高斯分布)”分布:Name = "高斯" P: 1 D: 0 Q: 0 Constant: 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。您可以使用点表示法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ARIMA(3,1,2)模型,表示为:
,
在哪里<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量的均值为0和方差<年代p一个n class="inlineequation"> .
因为模型只包含非季节性多项式,所以使用简写语法。
Mdl = arima(1、2)
描述:“arima(3,1,2)模型(高斯分布)”分布:Name = "Gaussian" P: 4 D: 1 Q: 2 Constant: NaN AR: {NaN NaN} at lag [1 2 3] SAR: {} MA: {NaN NaN} at lag [1 2] SMA:{}季节性:0 Beta: [1×0] Variance: 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
-值元素表示可估计的参数。
若要包括附加的季节性滞后,请指定与适当周期匹配的滞后。例如,创建如下方程所示的月度相加MA(12)模型:
在哪里<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量的均值为0和方差<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])
描述:“arima(0,0,12)模型(高斯分布)”分布:Name = "Gaussian" P: 0 D: 0 Q: 12 Constant: 0 AR: {} SAR: {} MA: {NaN NaN} at lag [1 12] SMA:{}季节性:0 Beta: [1×0] Variance: NaN .
创建SARIMA<年代p一个n class="inlineequation"> 模型(一个季节和非季节积分的相乘的月MA模型模板):
在哪里<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量的均值为0和方差<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)模型与季节性MA(12)(高斯分布)的季节性整合”分布:Name = "Gaussian" P: 13 D: 1 Q: 13 Constant: 0 AR: {} SAR: {} MA: {NaN} at lag [1] SMA: {NaN} at lag[12]季节性:12 Beta: [1×0] Variance: NaN .
创建AR(3)模型,如下所示:
在哪里<年代p一个n class="inlineequation"> 为一系列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)
描述:“arima(3,0,0)模型(高斯分布)”分布:Name = "Gaussian" P: 3 D: 0 Q: 0 Constant: 0.05 AR: {0.6 0.2 -0.1} at lag [1 2 3] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0] Variance: 0.01
在滞后2处添加一个非季节性MA项0.2
.然后,显示马
财产。
Mdl。马={00.2}
描述:“arima(3,0,2)模型(高斯分布)”分布:Name = "高斯" P: 3 D: 0 Q: 2 Constant: 0.05 AR: {0.6 0.2 -0.1} at lag [1 2 3] SAR: {} MA: {0.2} at lag [2] SMA:{}季节性:0 Beta: [1×0]方差:0.01
Mdl。马
ans =<年代p一个n class="emphasis">1×2单元阵列{[0]} {[0.2000]}
在模型显示中,滞后
指示与相应系数相关的滞后。尽管MATLAB®从显示中移除零值系数,但存储系数的特性保留了它们。
将模型常量更改为1
.
Mdl。Constant = 1
描述:“arima(3,0,2)模型(高斯分布)”分布:Name = "Gaussian" P: 3 D: 0 Q: 2 Constant: 1 AR: {0.6 0.2 -0.1} at lag [1 2 3] SAR: {} MA: {0.2} at lag [2] SMA:{}季节性:0 Beta: [1×0] Variance: 0.01
创建一个AR(1)模型模板并指定iid<年代p一个n class="inlineequation"> -自由程度未知的分布式创新。使用普通语法。
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”)
描述:“arima(1,0,0)模型(t分布)”分布:Name = "t", DoF = NaN P: 1 D: 0 Q: 0 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0] Variance: NaN
自由度景深
是南
,这表明自由度是可估计的。
创建完全指定的AR(1)模型,如下所示:
在哪里<年代p一个n class="inlineequation"> 是iid系列吗<年代p一个n class="inlineequation"> -具有10个自由度的分布随机变量。使用普通语法。
innovdist =结构(<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)
描述:“arima(1,0,0)模型(t分布)”分布:名称= "t", DoF = 10 P: 1 D: 0 Q: 0 Constant: 0 AR: {0.6} at lag [1] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0]方差:NaN
创建ARMA(1,1)条件平均模型,该模型包含一个ARCH(1)条件方差模型,由以下方程表示:
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:Name = "Gaussian" P: 1 D: 0 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
的方差
的属性Mdl
是南
,这意味着模型方差是一个未知常数。
使用的简写语法创建ARCH(1)条件方差模型模板garch
.
CondVarMdl = garch (0,1)
描述:“garch(0,1)条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 0 Q: 1 Constant: NaN GARCH: {} ARCH: {NaN} at lag [1] Offset: 0
通过设置,创建复合条件均值和方差模型模板方差
的属性Mdl
来CondVarMdl
使用点符号。
Mdl。V一个r我一个nce = CondVarMdl
描述:“arima(1,0,1)模型(高斯分布)”分布:Name = "Gaussian" P: 1 D: 0 Q: 1 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {NaN} at lag [1] SMA:{}季节性:0 Beta: [1×0] Variance: [GARCH(0,1) Model]
所有南
条件均值和方差模型的-值性质是可估计的。
建立一个ARMAX(1,2)模型,根据员工薪酬的变化预测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
是一个MATLAB®时间表,包含从1947年第一季度到2009年第一季度的季度宏观经济测量。PCEC
是个人消费支出系列,和COE
是员工的薪酬系列。两个变量都在level中。有关数据的更多细节,请输入描述
在命令行。
这个级数是非平稳的。为了避免虚假的回归,通过将水平转换为回报来稳定变量price2ret
.计算样本量。
pcecret = price2ret (DataTable.PCEC);coeret = price2ret (DataTable.COE);T =元素个数(pcecret);
因为从水平到回报的转换涉及到应用第一个差值,这种转换通过一次观察减少了总样本量。
使用简写语法创建一个ARMA(1,2)模型模板。
Mdl = arima (1 0 2);
外生组件在评估期间进入模型。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的观察。因此,前样本周期是数据的第一个时间点(第一行),估计样本是数据的其余部分。指定识别前样本和估计周期的变量。
idxpre = Mdl.P;idx = (Mdl。P + 1): T;
使模型与数据相符。属性指定前样例“Y0”
名称-值对参数,并通过使用“X”
名称-值对的论点。
EstMdl =估计(Mdl pcecret (idx),<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):值StandardError TStatistic PValue _________ _____________ __________ __________ Constant 0.0091866 0.001269 7.239 4.5203e-13 AR{1} -0.13506 0.081986 -1.6474 0.099478 MA{1} -0.090445 0.082052 -1.1023 0.27034 MA{2} 0.29671 0.064589 4.5939 4.3505e-06 Beta(1) 0.5831 0.048884 11.928 8.4532e-33方差5.305e-05 3.1387e-06 16.902 4.3581e-64
所有估计,除了滞后1 MA系数,在0.1水平显著。
显示EstMdl
.
EstMdl
描述:“arima(1,0,2)模型(高斯分布)”分布:Name = "高斯" P: 1 D: 0 Q: 2 Constant: 0.00918662 AR: {-0.135063} at lag [1] SAR: {} MA: {-0.0904451 0.296714} at lag [1 2] SMA:{}季节性:0 Beta: [0.583095] Variance: 5.30503e-05
就像Mdl
,EstMdl
是一个华宇电脑
模型对象表示一个ARMA(1,2)过程。不像Mdl
,EstMdl
是完全指定的,因为它适合于数据,并且EstMdl
包含一个外生组件,所以它是一个ARMAX(1,2)模型。
创建一个华宇电脑
随机游走的模型对象如下所示:
在哪里<年代p一个n class="inlineequation"> 为一系列iid高斯随机变量,均值为0,方差为1。
Mdl = arima (0,1,0);Mdl。Constant = 0; Mdl.Variance = 1; Mdl
描述:“arima(0,1,0)模型(高斯分布)”分布:Name = "高斯" P: 1 D: 1 Q: 0 Constant: 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。
模拟并绘制1000条长度为100的随机行走路径。
rng (1)<年代p一个n style="color:#228B22">%的再现性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">“随机行走过程中的模拟路径”)
预测纳斯达克每日收盘价超过500天的水平。
加载美国股指数据集。
负载<年代p一个n style="color:#A020F0">Data_EquityIdx
该数据集包含从1990年到2001年的每日纳斯达克收盘价格。要了解更多细节,请输入描述
在命令行。
假设一个ARIMA(1,1,1)模型适用于描述纳斯达克的前1500个收盘价。创建一个ARIMA(1,1,1)模型模板。
Mdl = arima (1, 1, 1);
估计
需要一个尺寸的前样Mdl。P
= 2。
使模型与数据相符。指定前两个观察结果作为示例。
idxpre = 1: Mdl.P;idx = (Mdl。P + 1): 1500;EstMdl =估计(Mdl DataTable.NASDAQ (idx),<年代p一个n style="color:#0000FF">...“Y0”DataTable.NASDAQ (idxpre));
ARIMA(1,1,1)模型(高斯分布):值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
通过将估计模型传递到500天范围内预测收盘值预测
.为了初始化模型进行预测,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);
绘制前2000个观测和预测图。
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”);figure h1 = plot(date (1:2000),DataTable.NASDAQ(1:2000));持有<年代p一个n style="color:#A020F0">在h2 =情节(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年初以后,模型预测几乎总是低估真实收盘价。
滞后算子l被定义为<年代p一个n class="inlineequation"> 滞后算子压缩多项式符号。
响应过程的线性时间序列模型y<年代ub>t和随机的创新ε<年代ub>t是一个<一个href="//www.tatmou.com/de/help/econ/stationary-stochastic-process.html" class="a">随机过程其中,当前响应是先前响应、当前和以前的创新以及外生协变量的线性函数x<年代ub>t.在差分方程表示法中,线性时间序列模型的一般形式为:
鉴于w和v,所有系数都是可估计的。
表达<一个href="//www.tatmou.com/de/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性和乘数季节性效应的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-次稳定的非季节性AR多项式。 |
|
|
D | 非季节性综合程度 | D |
一个p<年代ub>年代-次稳定,乘数季节性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 | 季节综合度 | 没有相应的属性,但是:
|
c | 模型常数 | 常数 |
β | 外生协变量的回归系数 | β |
一个问-次可逆非季节性MA多项式。 |
马 存储系数;指数对应滞后指数。 |
|
一个问<年代ub>年代-次可逆,乘法季节MA多项式。 |
SMA 存储系数;指数对应滞后指数。 |
|
ε<年代ub>t | 一系列随机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度Φ(l)和Θ(l)不符合博克斯和詹金斯定义的学位<一个href="//www.tatmou.com/de/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年代和问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和r<年代ub>问是正整数。该软件是灵活的,允许您指定延迟操作符程度。看到<一个href="//www.tatmou.com/de/help/econ/specify-seasonal-arima-models.html" class="a">乘性ARIMA模型规范.
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)模型,c = 0,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/de/help/econ/arima.html" class="intrnllnk">[1].
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。
[1]<年代p一个n>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。
您已经有了geänderte版本死亡Beispiels。Möchten您是谁? Änderungen öffnen?
您有一个连接到MATLAB-Befehl entspricht:
Führen Sie den Befehl durch Eingabe in das MATLAB-Befehlsfenster aus。Webbrowser unterstützen keine MATLAB-Befehle。
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:<年代tr在g class="recommended-country">.
选择<年代p一个n class="recommended-country">网站你也可以从以下列表中选择一个网站:
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。