分享econometrecmodeler应用程序会话结果
这个例子展示了如何通过以下方式共享econometrecmodeler应用程序会话的结果:
导出时间序列和模型变量到MATLAB®工作空间
生成MATLAB纯文本和实时函数,以在应用程序外使用
生成关于时间序列和估计模型的活动报告
在会话期间,示例转换和绘制数据,运行统计测试,并估计乘法季节性ARIMA模型。数据集Data_Airline.mat
包含每月航空公司乘客的计数。
导入数据到计量经济模型
在命令行中加载Data_Airline.mat
数据集。
负载Data_Airline
在命令行中打开计量经济学建模师应用程序。
econometricModeler
或者,从应用程序库中打开应用程序(参见计量经济学建模师).
进口DataTimeTable
进入应用程序:
在计量经济学建模师选项卡,在进口节,单击进口按钮。
在导入数据对话框中,在进口吗?的复选框
DataTimeTable
变量。点击进口。
的变量PSSG
出现在时间序列面板中,其值显示在预览面板中,其时间序列图显示在时间序列图(PSSG)图窗口。
该序列呈现季节性趋势、序列相关性和可能的指数增长。有关序列相关性的交互分析,请参见检测序列相关性使用计量模型应用程序。
稳定系列
通过应用对数变换来处理指数趋势PSSG
。
在时间序列窗格中,选择
PSSG
。在计量经济学建模师选项卡,在转换部分中,点击日志。
变换后的变量PSSGLog
出现在时间序列面板中,其时间序列图显示在时间序列图(PSSGLog)图窗口。
指数增长似乎从序列中移除了。
通过应用12阶季节差来处理季节性趋势。与PSSGLog
选自时间序列窗格,在计量经济学建模师选项卡,在转换节中,设置季节性来12
。然后,单击季节性。
变换后的变量PSSGLogSeasonalDiff
出现在时间序列面板中,其时间序列图显示在时间序列图(PSSGLogSeasonalDiff)图窗口。
变换后的级数似乎有一个单位根。
检验零假设PSSGLogSeasonalDiff
用增广Dickey-Fuller检验有一个单位根。指定备选方案是AR(0)模型,然后再次测试,指定AR(1)模型。调整显著性水平为0.025,以保持总显著性水平为0.05。
与
PSSGLogSeasonalDiff
选自时间序列窗格,在计量经济学建模师选项卡,在测试部分中,点击新的测试>增强迪基-富勒测验。在ADF选项卡,在参数节中,设置显著性水平来
0.025
。在测试部分中,点击运行测试。
在参数节中,设置滞后数来
1
。在测试部分中,点击运行测试。
测试结果显示在结果表格ADF (PSSGLogSeasonalDiff)文档。
两个检验都不能拒绝原假设,即序列是一个单位根过程。
通过将第一个差值应用于来寻址单位根PSSGLogSeasonalDiff
。与PSSGLogSeasonalDiff
选自时间序列窗格,单击计量经济学建模师选项卡。然后,在转换部分中,点击区别。
变换后的变量PSSGLogSeasonalDiffDiff
出现在时间序列面板中,其时间序列图显示在时间序列图(PSSGLogSeasonalDiffDiff)图窗口。
在时间序列窗格,将PSSGLogSeasonalDiffDiff
变量,单击两次以选择其名称和PSSGStable
。
该应用程序更新与转换系列相关的所有文档的名称。
确定系列模型
通过绘制样本自相关函数(ACF)和部分自相关函数(PACF)来确定数据条件平均模型的滞后结构。
与
PSSGStable
选自时间序列窗格,单击情节选项卡,然后单击ACF。显示ACF的前50个滞后。在ACF选项卡,设置滞后数来
50
。单击情节选项卡,然后单击PACF。
显示PACF的前50个滞后。在PACF选项卡,设置滞后数来
50
。拖动ACF (PSSGStable)上方的图形窗口PACF (PSSGStable)图窗口。
根据[1], ACF和PACF中的自相关性表明,下面的SARIMA(0,1,1)×(0,1,1)12模型适用于PSSGLog
。
关闭所有图形窗口。
指定和估计SARIMA模型
指定SARIMA(0,1,1)×(0,1,1)12模型。
在时间序列窗格中,选择
PSSGLog
时间序列。在计量经济学建模师选项卡,在模型节中,单击箭头以显示模型库。
在模特陈列室,在ARMA / ARIMA模型部分中,点击SARIMA。
在SARIMA模型参数对话框中,在延迟订单标签:
季节性部分
集积分度来
1
。集移动平均订单来
1
。清除包含常数项复选框。
季节性部分
集期来
12
表示月度数据。集移动平均订单来
1
。选择包括季节差异复选框。
点击估计。
模型变量SARIMA_PSSGLog
出现在模型面板中,其值显示在预览窗格,其估计摘要显示在模型总结(SARIMA_PSSGLog)文档。
将变量导出到工作区
出口PSSGLog
,PSSGStable
,SARIMA_PSSGLog
到MATLAB工作空间。
在计量经济学建模师选项卡,在出口部分中,点击。
在“导出变量”对话框中,选择选择的复选框
PSSGLog
和PSSGStable
时间序列,还有SARIMA_PSSGLog
模型(如有必要)。中突出显示的所有变量的复选框时间序列和模型窗格。点击出口。
在命令行中,列出工作区中的所有变量。
谁
名称大小字节类属性Data 144x1 1152 double DataTable 144x2 3525表DataTimeTable 144x1 3311时间表描述22x54 2376 char PSSGLog 144x1 1152 double PSSGStable 144x1 1152 double SARIMA_PSSGLog 1x1 7963 arima dates 144x1 1152 double series 1x1 162 cell
的内容Data_Airline.mat
,数值向量PSSGLog
和PSSGStable
,而估计的华宇电脑
模型对象SARIMA_PSSGLog
是工作空间中的变量。
预测未来三年(36个月)的日志航空公司乘客数量使用SARIMA_PSSGLog
。指定PSSGLog
作为样本数据。
nummobs = 36;fPSSG = forecast(SARIMA_PSSGLog, nummobs,)“Y0”, PSSGLog);
绘制出乘客数量和预测。
fh = datatitable . time (end) + calmonths(1: nummonths);图;情节(DataTimeTable.Time exp (PSSGLog));持有在情节(fh exp (fPSSG));传奇(“航空公司乘客人数”,的预测数量,…“位置”,“最佳”)标题(“一九四九年至一九六三年每月航空旅客人数”) ylabel (乘客数量的)举行从
从App会话生成纯文本函数
生成一个用于应用程序外部的MATLAB函数。该函数返回估计的模型SARIMA_PSSGLog
鉴于DataTimeTable
。
在模型面板中,选择
SARIMA_PSSGLog
模型。在计量经济学建模师选项卡,在出口部分中,点击出口>生成函数。MATLAB编辑器打开并包含一个名为
modelTimeSeries
。函数接受DataTimeTable
(您在此会话中导入的变量),转换数据,并返回估计的SARIMA(0,1,1)×(0,1,1)12模型SARIMA_PSSGLog
。在编辑器选项卡上,单击保存>保存。
通过单击将该函数保存到当前文件夹保存在“选择文件另存为”对话框中。
在命令行中,估计SARIMA(0,1,1)×(0,1,1)12传递模型DataTimeTable
来modelTimeSeries
。命名模型SARIMA_PSSGLog2
。将估计的模型与SARIMA_PSSGLog
。
SARIMA_PSSGLog2 = modelTimeSeries(DataTimeTable);总结(SARIMA_PSSGLog)总结(SARIMA_PSSGLog2)
ARIMA(0,1,1)模型季节性整合季节性MA(12)(高斯分布)有效样本量:144估计参数数:3 LogLikelihood: 276.198 AIC: -546.397 BIC:-537.488 Value StandardError TStatistic PValue _________ _____________ __________ __________常数00 NaN NaN MA{1} -0.37716 0.066794 -5.6466 1.6364e-08 SMA{1} -0.57238 0.085439 -6.6992 2.0952e-11方差0.0012634 0.00012395 10.193 2.1406e-24 ARIMA(0,1,1)模型季节性整合与季节MA(12)(高斯分布)有效样本量:144估计参数数:3 LogLikelihood: 276.198 AIC: -546.397 BIC:-537.488 Value StandardError TStatistic PValue _________ _____________ __________ __________常数00 NaN NaN MA{1} -0.37716 0.066794 -5.6466 1.6364e-08 SMA{12} -0.57238 0.085439 -6.6992 2.0952e-11方差0.0012634 0.00012395 10.193 2.1406e-24
正如预期的那样,模型是相同的。
从应用程序会话生成实时功能
与纯文本函数不同,live函数包含可以使用live Editor修改的格式化文本和方程。
生成一个在应用程序外部使用的实时函数。该函数返回估计的模型SARIMA_PSSGLog
鉴于DataTimeTable
。
在模型面板中,选择
SARIMA_PSSGLog
模型。在计量经济学建模师选项卡,在出口部分中,点击出口>生成实时功能。Live Editor打开并包含一个名为
modelTimeSeries
。函数接受DataTimeTable
(您在此会话中导入的变量),转换数据,并返回估计的SARIMA(0,1,1)×(0,1,1)12模型SARIMA_PSSGLog
。要确保函数不会遮蔽M-file函数,请将函数的名称更改为
modelTimeSeriesMLX
。在住编辑器选项卡,在文件部分中,点击保存>保存。
通过单击将该函数保存到当前文件夹保存在“选择文件另存为”对话框中。
在命令行中,估计SARIMA(0,1,1)×(0,1,1)12传递模型DataTimeTable
来modelTimeSeriesMLX
。命名模型SARIMA_PSSGLog2
。将估计的模型与SARIMA_PSSGLog
。
SARIMA_PSSGLog2 = modelTimeSeriesMLX(DataTimeTable);总结(SARIMA_PSSGLog)总结(SARIMA_PSSGLog2)
ARIMA(0,1,1)模型季节性整合季节性MA(12)(高斯分布)有效样本量:144估计参数数:3 LogLikelihood: 276.198 AIC: -546.397 BIC:-537.488 Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant 00 NaN MA{1} -0.37716 0.066794 -5.6466 1.6364e-08 SMA{12} -0.57238 0.085439 -6.6992 2.0952e-11方差0.0012634 0.00012395 10.193 2.1406e-24 ARIMA(0,1,1)模型季节性整合与季节MA(12)(高斯分布)有效样本量:144估计参数数:3 LogLikelihood: 276.198 AIC: -546.397 BIC:-537.488 Value StandardError TStatistic PValue _________ _____________ __________ __________常数00 NaN NaN MA{1} -0.37716 0.066794 -5.6466 1.6364e-08 SMA{12} -0.57238 0.085439 -6.6992 2.0952e-11方差0.0012634 0.00012395 10.193 2.1406e-24
正如预期的那样,模型是相同的。
生成报告
生成所有操作的PDF报告PSSGLog
和PSSGStable
时间序列,还有SARIMA_PSSGLog
模型。
在计量经济学建模师选项卡,在出口部分中,点击出口>生成报告。
在“为报告选择变量”对话框中,选择选择的复选框
PSSGLog
和PSSGStable
时间序列,还有SARIMA_PSSGLog
模型(如有必要)。中突出显示的所有变量的复选框时间序列和模型窗格。点击好吧。
在“选择要写入的文件”对话框中导航到
C: \ MyData
文件夹中。在文件名称框,输入
SARIMAReport
。点击保存。
应用程序发布创建所需的代码PSSGLog
,PSSGStable
,SARIMA_PSSGLog
在PDF中C: \ MyData \ SARIMAReport.pdf
。报告内容包括:
标题页和目录
包含所选时间序列的图
应用于所选时间序列的转换的描述
对所选时间序列进行统计检验的结果
所选模型的估计摘要
参考文献
[1]George e.p., Gwilym M. Jenkins, Gregory C. Reinsel。时间序列分析:预测与控制。第3版。Englewood Cliffs, NJ: Prentice Hall, 1994。