lbqtest

测试剩余的时间序列自相关的使用默认选项lbqtest。输入时间序列数据作为数字向量。

加载马克/英镑汇率数据集。

负载Data_MarkPound

数据是一个时间序列向量的日常马克/英镑双边现货汇率。

情节。

情节(数据)标题(“\男朋友马克/英镑双边即期汇率”)ylabel (“即期汇率”)包含(“自1984年1月2日,工作日”)

该系列出现不稳定。

稳定系列,现货汇率转换为回报。

回报= price2ret(数据);情节(回报)标题(“\男朋友马克/英镑双边即期汇率”)ylabel (“回归”)包含(“自1984年1月3日,工作日”)

返回系列的计算偏差的意思。

残差=回报-意味着(回报);

在0.05水平的意义,测试剩余系列自相关使用默认选项Ljung-Box Q-test。

h = lbqtest(残差)

h =逻辑0

结果h= 0表示拒绝零假设的存在证据不足没有通过残差自相关20滞后。

加载马克/英镑汇率数据集。

负载Data_MarkPound

预处理的数据遵循这个过程:

回报= price2ret(数据);残差=回报-意味着(回报);

测试剩余系列从1到20滞后显著相关。回归测试的决定, $\mathit{p}$值,测试数据,和重要价值。

[h, pValue,统计,cValue] = lbqtest(残差)

h =逻辑0

pValue = 0.1131

统计= 27.8445

cValue = 31.4104

测试一个时间序列,这是表中的一个变量,对残差自相关使用的默认选项lbqtest。

加载股指数据集Data_EquityIdx。预处理每日纳斯达克收盘价格通过执行以下操作:

表中存储剩余系列与其它数据。因为price-to-return转换减少了样本大小的头系列,替换丢失的残余南。

负载Data_EquityIdxret = 100 * price2ret (DataTable.NASDAQ);res = ret -意味着(ret);数据表。Residuals_NASDAQ =[南;res];DataTable.Properties.VariableNames{结束}

ans = ' Residuals_NASDAQ '

剩余系列表中的最后一个变量。

开展Ljung-Box Q-test剩余序列在5%的显著性水平上通过提供整个数据集lbqtest。

StatTbl = lbqtest(数据表)

StatTbl =表1×7h pValue stat cValue滞后α景深_____ __________交___ _____ ___测试1真正的2.8182 e-11 92.395 - 31.41 20 0.05 20

lbqtest返回表中的测试结果和设置StatTbl,变量对应于测试结果(h,pValue,统计,cValue)和设置(滞后,α,景深),行对应于个人测试(在这种情况下,lbqtest进行一个测试)。

h = 1和pValue = 2.82 e-11拒绝零假设的证据,表明至少有一个显著的自相关滞后1到20日在纳斯达克返回剩余系列是强大的。

默认情况下,lbqtest测试表中最后一个变量。选择一个变量从一个输入表测试,设置DataVariable选择。

加载马克/英镑汇率数据集。

负载Data_MarkPound

转换价格的回报。

回报= price2ret(数据);

计算返回系列的偏差。

res =回报-意味着(回报);

测试的假设残余系列不是autocorrelated,使用默认的滞后。

h1 = lbqtest (res)

h1 =逻辑0

h1 = 0表明没有足够证据拒绝零假设的剩余工资回报不是autocorrelated。

测试的假设有显著的拱效应,使用默认的滞后[3]。

h2 = lbqtest (> ^ 2)

h2 =逻辑1

h2 = 1表明有明显的拱效应的残差的回报。

测试剩余的异方差性archtest。指定一个替代拱( $\mathit{l}$)模型, $\mathit{l}\le \mathrm{20.}$的一致性,h2。

h3 = archtest (res,滞后= 20)

h3 =逻辑1

h3 = 1表明没有残余异方差性应该拒绝零假设的支持一个拱( $\mathit{l}$)模型, $\mathit{l}\le \mathrm{20.}$。这个结果是一致的h2。

为自相关进行多个Ljung-Box Q-tests指定几个滞后测试统计。数据集是一个时间序列的连续57天overshorts从一个地下油箱在科罗拉多州[2]。也就是说,当前overshort ( $$y_t$$)代表测量的燃料量的准确性:

加载数据集。

负载Data_OvershortT =身高(数据表);图绘制(DataTable.OSHORT)标题(“每日汽油Overshorts”)

lbqtest适合一系列以一个恒定的意思。因为这个系列似乎在不断波动的意思是,你不需要稳定。

计算偏差的意思。

数据表。Residuals_OSHORT =数据表。OSHORT——意味着(DataTable.OSHORT);

评估是否autocorrelated残差。包括5、10和15落后检验统计量,并调整每个测试的显著性水平0.05 / 3。

StatTbl = lbqtest (DataTable, DataVariable =“Residuals_OSHORT”,…滞后=(5 10 15),α= 0.05 / 3)

StatTbl =表3×7h pValue stat cValue滞后α景深__ ________ ___ _____ _____交测试1真的0.016667 0.0016465 19.36 13.839 5 5测试2真的0.016667 0.00068328 30.599 21.707 10 10测试3真的0.016667 0.001281 36.964 28.88 15 15

行StatTbl包含单独测试的结果为每个指定的延迟进行。每个测试拒绝零假设在0.0167水平的意义。

推断出残差估计ARIMA模型,评估是否残差自相关使用lbqtest。

加载澳大利亚消费者价格指数(CPI)数据集。时间序列(消费者价格指数)是日志季度消费者价格指数从1972年到1991年。删除趋势系列通过第一个区别。

负载Data_JAustraliancpi = DataTable.PAU;T =长度(cpi);3 = diff (cpi);dt = datetime(日期、ConvertFrom =“datenum”);图绘制(dt (2: T), 3)标题(“澳大利亚CPI差”)包含(“年”)ylabel (“消费者价格指数增长率”)轴紧

差系列似乎静止。

适合的AR(1)模型系列,然后推断出残差估计模型。

Mdl = arima (1,0,0);EstMdl =估计(Mdl, 3);

ARIMA(1,0,0)模型(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ __________常数0.015564 0.0028766 5.4106 6.2808 e-08 AR{1}方差0.29646 0.11048 2.6834 0.0072876 0.0001038 - 1.1932 8.6994 - 3.3362 e-05 e-18

res =推断(EstMdl, 3);stdRes = res /√(EstMdl.Variance);%标准化残差

评估是否残差由进行Ljung-Box autocorrelated Q-test。标准化残差源自估计模型(EstMdl包含参数)。当使用这样的残差,执行以下操作:

滞后= 10;景深= - 1落后;%一个自回归参数[h, pValue] = lbqtest (stdRes滞后=滞后,景深=景深)

h =逻辑1

pValue = 0.0119

pValue = 0.0119表明残差有明显的自相关的至少一个滞后落后1到5,在5%的水平。