估计ARIMA或ARIMAX模型参数
EstMdl =估计(Mdl, y)
[EstMdl,EstParamCov,logL,信息] =估计(MDL,y)的
[EstMdl,EstParamCov,logL,信息] =估计(MDL,Y,名称,值)
使用以估计ARIMA的参数(最大似然p,D,问)模型EstMdl
=估计(Mdl
,y
)Mdl
给定的观察到的单变量时间序列y
。EstMdl
是一个华宇电脑
模型存储结果。
[EstMdl,
此外回报EstParamCov
,logL
,信息
)=估计(Mdl, y)EstParamCov
与估计的参数相关联的方差 - 协方差矩阵,logL
,优化的loglikelihood目标函数信息
的摘要信息的数据结构。
[EstMdl,EstParamCov,logL,信息] =估计(MDL,Y,
使用一个或多个指定的附加选项来估计模型名称,值
)名称,值
对参数。
Mdl
- - - - - -ARIMA或ARIMAX模型华宇电脑
模型ARIMA或ARIMAX模型,指定为华宇电脑
返回的模型华宇电脑
或估计
。
估计
对非南
元素Mdl
由于等式约束而不估计相应的参数。
y
- - - - - -响应数据的单一路径模型所适合的响应数据的单一路径,指定为数值列向量。最后一次观察y
是最新的。
数据类型:双
指定可选的逗号分隔的对名称,值
参数。名称
参数名和价值
是对应的值。名称
必须出现在引号内。可以按任意顺序指定多个名称和值对参数名1,值1,...,NameN,值N
。
“AR0”
- - - - - -非季节性自回归系数的初步估计ARIMA模型的非季节性自回归系数的初始估计,指定为逗号分隔的对“AR0”
和一个数字向量。
系数的个数AR0
必须等于非季节自回归多项式中与非零系数相关的滞后次数,ARLags
。
默认情况下,估计
派生使用标准的时间序列技术的初步估计。
数据类型:双
'Beta0'
- - - - - -回归系数的初步估计回归分量的回归系数的初始估计,指定为逗号分隔的对'Beta0'
和一个数字向量。
系数的个数Beta0
必须等于的列数X
。
默认情况下,估计
派生使用标准的时间序列技术的初步估计。
数据类型:双
“Constant0”
- - - - - -初始ARIMA模型恒定估计初始ARIMA模型常数估计,指定由逗号分隔的对组成“Constant0”
和一个标量。
默认情况下,估计
派生使用标准的时间序列技术的初步估计。
数据类型:双
'显示'
- - - - - -命令窗口显示选项“参数”
(默认)|“诊断”
|'充分'
|“通路”
|“关”
|字符串向量|字符向量的细胞向量命令窗口显示选项,指定为逗号分隔的一对组成的'显示'
以及该表中的值或值的任何组合。
价值 | 估计显示 |
---|---|
“诊断” |
优化诊断 |
'充分' |
最大似然参数估计值,标准误差,t统计,迭代优化信息,并优化诊断 |
“通路” |
迭代优化的信息 |
“关” |
在命令窗口不显示 |
“参数” |
最大似然参数估计值,标准误差,以及t统计 |
例如:
要在拟合多个模型并因此希望抑制所有输出的情况下运行模拟,请使用以下命令“显示”,“关闭”
。
要显示所有估计结果和优化诊断,请使用'显示',{ 'PARAMS', '诊断'}
。
数据类型:烧焦
|细胞
|串
“DoF0”
- - - - - -最初的t-分布自由度参数估计10
(默认)|积极的标量最初的t- 配送度的自由度参数估计,指定为逗号分隔的一对组成的“DoF0”
一个正的标量。DoF0
必须超过2。
数据类型:双
'E0'
- - - - - -Presample创新有均值为0,为ARIMA提供初始值(样品前创新p,D,问),指定为逗号分隔的对,由'E0'
和一个数字列向量。
E0
必须包含至少Mdl.Q
行。如果你使用条件方差模型,比如agarch
模型,那么软件可能需要更多Mdl.Q
presample创新。
如果E0
然后包含额外的行估计
使用了最新的Mdl.Q
presample创新。最后一行包含最新的presample创新。
默认情况下,估计
设置必要的前置充分的创新0
。
数据类型:双
“MA0”
- - - - - -非季节性移动平均系数的初步估计ARIMA的非季节性移动平均系数的初步估计(p,D,问),指定为逗号分隔的对,由“MA0”
和一个数字向量。
系数的个数MA0
必须等于非季节移动平均多项式中与非零系数相关的滞后次数,MALags
。
默认情况下,估计
派生使用标准的时间序列技术的初步估计。
数据类型:双
“选项”
- - - - - -优化选项optimoptions
优化控制器优化选项,指定为逗号分隔的一对组成的“选项”
和一个optimoptions
优化控制器。有关更改优化器默认值的详细信息,请参阅optimoptions
或fmincon
在优化工具箱™。
例如,要改变约束宽容1E-6
,设置选项= optimoptions(@ fmincon, 'ConstraintTolerance',1E-6, '算法', 'SQP')
。然后,通过选项
成估计
运用“选项”,选择
。
默认情况下,估计
使用与。相同的默认选项fmincon
,除了算法
是“小数量议定书”
和ConstraintTolerance
是1E-7
。
'SAR0'
- - - - - -季节自回归系数的初步估计对于ARIMA季节自回归系数的初步估计(p,D,问),指定为逗号分隔的对,由'SAR0'
和一个数字向量。
系数的个数SAR0
必须等于季节自回归多项式中与非零系数相关的滞后次数,SARLags
。
默认情况下,估计
派生使用标准的时间序列技术的初步估计。
数据类型:双
'SMA0'
- - - - - -季节性移动平均系数的初步估计对于季节性ARIMA移动平均系数的初始估计(p,D,问),指定为逗号分隔的对,由'SMA0'
和一个向量。
系数的个数SMA0
必须等于在季节性移动平均多项式与非零系数滞后的数目,SMALags
。
默认情况下,估计
派生使用标准的时间序列技术的初步估计。
数据类型:双
'V0'
- - - - - -Presample条件方差样品前体条件方差提供用于任何条件方差模型的初始值,指定为逗号分隔的一对组成的'V0'
和一个具有正项的数字列向量。
该软件需要V0
具有至少观察次数需要初始化方差模型。如果行的数量V0
超过数必要的,那么估计
只使用了最新的观测数据。最后一行包含最新的观察结果。
如果模型的方差为常数,则V0
是不必要的。
默认情况下,估计
套平均的平方推断残差必要的样品前条件方差。
数据类型:双
'Variance0'
- - - - - -创新差异的初步估计对于ARIMA创新的差异的初步估计(p,D,问),指定为逗号分隔的对,由'Variance0'
和正标量或的名称 - 值对参数的细胞载体。
如果Variance0
是一个正的标量,的方差Mdl
(存储在Mdl.Variance
)必须是常数。
如果Variance0
是细胞载体:
默认情况下,估计
派生使用标准的时间序列技术的初步估计。
例:对于一个方差恒定的模型,设“Variance0”, 2
指定的初始估计2
对于模型方差。
例:对于复合条件均值和方差模型,设置Variance0, {“Constant0”2“ARCH0”, 0.1}
指定的初始估计2
对于条件方差模型常数,初始估计为0.1
在ARCH多项式滞后1系数。
数据类型:双
|细胞
“X”
- - - - - -外源性预测外生预测因子在回归模型中,指定为逗号分隔对组成“X”
和一个矩阵。
的列X
是独立的同步时间序列,最后一行包含最新的观测结果。
如果您没有指定Y0
,则为行数X
至少元素个数(y, 2) + Mdl.P
。否则,的行数X
应至少长度y
。
如果行数为X
超过数必要的,那么估计
采用了最新的观测并同步X
响应系列y
。
默认情况下,估计
不估计回归系数无论其存在的Mdl
。
数据类型:双
'Y0'
- - - - - -样品前响应数据提供ARIMA初始值的预采样响应数据(p,D,问),指定为逗号分隔的对,由'Y0'
和一个数字列向量。
Y0
是一个列向量吗Mdl.P
行。如果行的数量Y0
超过Mdl.P
,估计
仅采用了最新的Mdl.P
观察。最后一行包含最新的观察结果。
默认情况下,估计
向后预测样品前体观察的必要量。
数据类型:双
南
小号表明缺失值,和估计
删除它们。软件将预采样数据(E0
,V0
,Y0
)与有效样本数据(X
和y
),然后使用列表删除明智的,以消除任何南
年代。删除南
数据中的s减少了样本量,也可以产生不规则的时间序列。
删除南
数据中的s减少了样本量,也可以产生不规则的时间序列。
估计
假设您同步了响应和外生的预测器,这样每一个的最后(最新)观察就会同时发生。该软件还假设您以类似的方式同步presample系列。
如果您指定了一个值显示
,那么它优先的优化选项规格诊断
和显示
。否则,估计
荣誉优化选项中所有与优化信息显示相关的选择。
EstMdl
-模型包含参数估计华宇电脑
模型包含参数估计的模型,以华宇电脑
模型。估计
采用最大似然法计算所有不受约束的参数估计值Mdl
(也就是说,所有参数都在Mdl
你设置的南
)。
EstParamCov
- 最大似然估计的方差 - 协方差矩阵优化器知道的模型参数的最大似然估计的方差-协方差矩阵,以矩阵形式返回。
行和列包含参数估计的协方差。参数估计的标准误差是沿主对角线的项的平方根。
与任何参数有关的行和列保持固定为等式约束包含0
秒。
估计
使用梯度的外积(OPG)方法来执行协方差矩阵估计。
估计
输入参数EstParamCov
如下:
常数
非零基于“增大化现实”技术
正滞后系数
非零SAR
正滞后系数
非零马
正滞后系数
非零SMA
正滞后系数
回归系数,当你指定(X
在估计
)
方差参数(标量为恒定方差模型的附加参数向量以其他方式)
自由度(t只有创新分布)
数据类型:双
logL
- 优化数似然目标函数值优化的对数似然目标函数值,返回一个标量。
数据类型:双
信息
——摘要信息摘要信息,作为结构返回。
场 | 描述 |
---|---|
exitflag |
优化出口标志(见fmincon 在优化工具箱) |
选项 |
优化选项控制器(见optimoptions 和fmincon 在优化工具箱) |
X |
最终参数估计值的矢量 |
X0 |
初始参数估计的矢量 |
例如,您可以显示通过打字最终估算的矢量info.X
在命令窗口中。
数据类型:结构体
将ARMA(2,1)模型与模拟数据进行拟合。
从ARMA(2,1)模型中模拟500个数据点
哪里 遵循高斯分布均值为0,方差为0.1。
Mdl0 = arima (基于“增大化现实”技术的{0.5,-0.3}'嘛',0.2,...“不变”,0,'方差',0.1);RNG(5);%用于重现y =模拟(Mdl0,500);
模拟的数据被存储在所述列向量Y
。
指定一个ARMA(2,1)模型,没有常数和未知的系数和方差。
MDL = ARIMA(2,0,1);Mdl.Constant = 0
描述:“arima(2,0,1)模型(高斯分布)”D我stribution: Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: 0 AR: {NaN NaN} at lags [1 2] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
符合ARMA(2,1)模型y
。
EstMdl =估计(MDL,Y);
ARIMA(2,0,1)模型(高斯分布):值StandardError的TStatistic p值________ _____________ __________ __________常数0 0楠楠AR {1} 0.49404 0.10321 4.7866 1.6961e-06 AR {2} -0.25348 0.06993 -3.6248 0.00028921 MA {1} 0.27958 0.10721 2.6078 0.0091132方差0.10009 0.0066403 15.073 2.4228e-51
其结果是一个新的华宇电脑
模型称为EstMdl
。概算EstMdl
像生成该模拟数据的参数值。
适合集成ARIMA(1,1,1)模型,纳斯达克综合指数的日收盘价。
加载工具箱中包含的NASDAQ数据。提取综合指数的前1500个观测值(1990年1月至1995年12月)。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ (1:1500);
指定一个ARIMA(1,1,1)模型进行拟合。
Mdl = arima (1, 1, 1);
该模型是无季节性,所以你可以使用简写语法。
将模型与前一半数据相匹配。
EstMdl =估计(MDL,纳斯达克(1:750));
ARIMA(1,1,1)模型(高斯分布):数值标准误差TStatistic PValue为常数0.2234 0.18418 1.213 0.22515 AR{1} 0.11434 0.11944 0.95733 0.3384 MA{1} 0.12764 0.11925 1.0703 0.28448方差18.983 0.68999 27.512 1.2543e-166
其结果是一个新的华宇电脑
模型(EstMdl
)。估计的参数,它们的标准误差,和
统计在命令窗口中显示。
使用估计的参数作为初始值来拟合数据的后半部分。
con0 = EstMdl.Constant;ar0 = EstMdl.AR {1};ma0 = EstMdl.MA {1};var0 = EstMdl.Variance;[EstMdl2, EstParamCov2 logL2 info2] =估计(Mdl,...。纳斯达克(751:结束),“Constant0”,CON0,“AR0”,AR0,...“MA0”,MA0,'Variance0',var0);
ARIMA(1,1,1)模型(高斯分布):值StandardError的TStatistic p值________ _____________ __________ ___________常数0.61142 0.32675 1.8712 0.061315 AR {1} -0.15071 0.11782 -1.2792 0.20084 MA {1} 0.38568 0.10905 3.5366 0.0004053方差36.493 1.227 29.742 2.1906E-194
参数估计值存储在信息
数据结构。显示最后的参数估计。
info2.X
ans =4×10.6114 -0.1507 0.3857 36.4933
适合的ARIMAX模型来仿真的时间序列而无需为响应或参数指定的初始值。
定义ARIMAX(2,1,1)模型
最终模拟长度为500的时间序列,其中 遵循高斯分布均值为0,方差为0.1。
Mdl0 = arima (基于“增大化现实”技术的{0.5,-0.3}'嘛',0.2,'d'1,...“不变”,0,'方差',0.1,“β”[1.5 2.6 -0.3]);T = 500;
模拟3个平稳AR(1)系列,预采样值:
哪里 服从均值为0,方差为0.01的高斯分布我= {1,2,3}。
numObs = Mdl0.P + T;MdlX1 = ARIMA(基于“增大化现实”技术的,0.1,“不变”,0,'方差',0.01);MdlX2 = ARIMA(基于“增大化现实”技术的,0.2,“不变”,0,'方差',0.01);MdlX3 = ARIMA(基于“增大化现实”技术的,0.3,“不变”,0,'方差',0.01);X1 =模拟(MdlX1 numObs);X2 =模拟(MdlX2 numObs);X3 =模拟(MdlX3 numObs);Xmat = [X1 X2 X3];
中存储模拟的外生预测器numObs
3矩阵Xmat
。
从ARIMA(2,1,1)模型模拟500个数据点。
y =模拟(Mdl0 T“X”,Xmat);
模拟的响应存储在所述列向量y
。
创建一个ARIMA(2,1,1)模型0
-值常数和未知系数和方差。
Mdl = arima (2, 1, 1);Mdl.Constant = 0
MDL = ARIMA模型属性:描述: “ARIMA(2,1,1)模型(高斯分布)” 分布:名称= “高斯” P:3 d:1 Q:1常数:0 AR:{楠楠}在滞后[1 2] SAR:{} MA:{}的NaN在滞后[1] SMA:{}季节性:0贝塔:[1×0]方差:NaN的
Mdl
是一个ARIMA(2,1,1)模型。估计
方法指定外生谓词数据时,将此指定更改为ARIMAX(2,1,1)“X”
名称-值对的论点。估计
适合所有可估计的参数,有价值的属性南
在Mdl
,到数据。
适合ARIMAX(2,1,1)模型y
包括回归矩阵Xmat
。
EstMdl =估计(Mdl y“X”,Xmat);
ARIMAX(2,1,1)模型(高斯分布):值StandardError的TStatistic p值________ _____________ __________ __________常数0 0楠楠AR {1} 0.41634 0.046067 9.0376 1.601e-19 AR {2} -0.27405 0.040645 -6.7427 1.5552e-11 MA {1} 0.3346 0.057208 5.8488 4.9499e-09β(1)1.4194 0.14242 9.9662 2.1429e-23测试版(2)2.542 0.1331 19.098 2.6194e-81测试(3)-0.28767 0.14035 -2.0496 0.040399方差0.096777 0.005791 16.712 1.08e-62
EstMdl
是一个新的华宇电脑
因为外源性预测输入模型的模型指定为ARIMAX(2,1,1)。概算EstMdl
像生成该模拟数据的参数值。
[1]盒,g.e. P., g.m.詹金斯,和g.c. Reinsel。时间序列分析:预测与控制第3版。新泽西州Englewood Cliffs:Prentice Hall出版社,1994年。
恩德斯[2],W。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,W. H.计量经济学分析。上鞍河,新泽西:普伦蒂斯霍尔出版社,1997年版。
[4]汉密尔顿,J.D.时间序列分析。普林斯顿,NJ:普林斯顿大学出版社,1994年。
你点击了一个链接,对应于这个MATLAB命令:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。金宝app
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),以获得最佳的网站表现。其他MathWorks国家站点没有针对您所在位置的访问进行优化。