估计乘法ARIMA模型
这个例子展示了如何估算一个乘法季节性ARIMA模型使用估计
。国际航空客运量时间序列每月从1949年到1960年。
加载数据并指定模式。
加载该航空公司的数据集。
负载Data_Airliney =日志(数据);T =长度(y);Mdl = arima (“不变”0,' D ',1“季节性”12…“MALags”,1“SMALags”12);
估计模型。
使用第一个13观察presample数据,估计131年馀下时间的观察。
y0 = y (1:13);[EstMdl, EstParamCov] =估计(Mdl y(14:结束),“Y0”,y0)
季节性ARIMA(0, 1, 1)模型结合季节性马(12)(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ __________常数0 0南南妈{1}-0.37716 0.073426 -5.1366 2.7972 e-07 SMA {12} e-09方差1.1047 -0.57238 0.093933 -6.0935 0.0013887 0.00015242 9.1115 8.1249 e-20
EstMdl = arima与属性:描述:“季节性arima(0, 1, 1)模型结合季节性马(12)(高斯分布)”Distribution: Name = "Gaussian" P: 13 D: 1 Q: 13 Constant: 0 AR: {} SAR: {} MA: {-0.377161} at lag [1] SMA: {-0.572379} at lag [12] Seasonality: 12 Beta: [1×0] Variance: 0.00138874
EstParamCov =4×40 0 0 0 0 0 0.0054 -0.0015 -0.0000 -0.0000 0.0000 0.0000 -0.0015 0.0088 0.0000 0
拟合模型
0.0014创新方差。
注意模型常数不是估计,但仍固定在零。没有相应的标准误差或t统计值为常数项。variance-covariance矩阵的行(列)的常数项都为零。
推断出残差。
推断出的残差拟合模型。
res =推断(EstMdl y(14:结束),“Y0”,y0);图绘制(14:T, res) xlim ([0, T])标题(“残差”)轴紧
当你使用第一个13观察presample数据残差可以从时间14起。
引用:
盒子,g . e . P。,G. M. Jenkins, and G. C. Reinsel.时间序列分析:预测与控制。第三。恩格尔伍德悬崖,新泽西:普伦蒂斯霍尔,1994年。