这个例子展示了如何估计一个季节性ARIMA模型:
使用乘法季节模型对季节效应进行建模。
使用指标变量作为季节效应的回归成分,称为季节假人。
随后,他们的预测表明,这些方法产生了类似的结果。时间序列是1949年至1960年每月国际航空乘客人数。
加载数据集Data_Airline
,并绘制每月旅客总数的自然对数。
负载(“Data_Airline.mat”) dat = log(数据);转换为对数刻度T = size(dat,1);Y = dat(1:103);估计样本
y
是一部分dat
用于估计,其余的dat
是用于比较两个模型预测的坚持样本。
创建ARIMA 模型
在哪里
均值为0,方差为0的独立同分布正态分布序列
.使用估计
以适应Mdl1
来y
.
Mdl1 = arima(“不变”0,“MALags”, 1' D ', 1...“SMALags”12“季节性”12);EstMdl1 =估计(Mdl1,y);
ARIMA(0,1,1) Model Seasonal Integrated with Seasonal MA(12)(高斯分布):Value StandardError TStatistic PValue ________ _____________ __________ __________ Constant 00 NaN NaN MA{1} -0.35732 0.088031 -4.059 4.9286e-05 SMA{12} -0.61469 0.096249 -6.3864 1.6985e-10 Variance 0.001305 0.0001527 8.5467 1.2671e-17
拟合模型为
在哪里 为iid正态分布序列,均值为0,方差为0.0013。
创建一个ARIMAX(0,1,1)模型,其中包含12期季节差异和回归分量,
是一系列的T长度为12的列向量,表示在哪个月份进行观测 测量。一排1我的 表示观测以月为单位我,其余元素为0。
注意,如果在模型中包含一个附加常数,则T设计矩阵的行数X
都是由行向量组成的
.因此,X
秩亏,且有一个回归系数不可识别。本例中省略了一个常量,以避免偏离主要目的。格式化样本内X矩阵
X = dummyvar(repmat((1:12)',12,1));格式化预采样X矩阵X0 = [0 (1,11) 1;dummyvar ((1:12) '));Mdl2 = arima(“不变”0,“MALags”, 1' D ', 1...“季节性”12);EstMdl2 =估计(Mdl2,y,“X”, (X0;X]);
ARIMAX(0,1,1)模型季节积分(高斯分布):Value standderror TStatistic PValue __________ _____________ __________ __________ Constant 00 NaN NaN MA{1} -0.40711 0.084387 -4.8242 1.4053e-06 Beta(1) -0.002577 0.025168 -0.10239 0.91845 Beta(2) -0.0057769 0.031885 -0.18118 0.85623 Beta(3) -0.0022034 0.030527 -0.072179 0.94246 Beta(4) 0.00094737 0.019867 0.047686 0.96197 Beta(5) -0.0012146 0.017981 -0.067551 0.94614 Beta(6) 0.00487 0.018374 0.26505 0.79097 Beta(7) -0.0087944 0.015285 -0.57535 0.56505 Beta(8) 0.0048346 0.012484 0.387280.69855 Beta(9) 0.001437 0.018245 0.078758 0.93722 Beta(10) 0.009274 0.014751 0.62869 0.52955 Beta(11) 0.0073665 0.0105 0.70158 0.48294 Beta(12) 0.00098841 0.014295 0.069146 0.94487方差0.0017715 0.00024657 7.1848 6.7329e-13
拟合模型为
在哪里
iid是均值为0,方差为0.0017的正态分布序列吗
列向量的值是多少Beta1
-Beta12
.请注意,估计马{1}
而且方差
之间的Mdl1
而且Mdl2
不平等。
使用预测
从1957年7月开始对这两种模型进行41个周期的预测。使用这些预测绘制拒绝抽样图。
yF1 = forecast(EstMdl1,41,y);yF2 =预测(EstMdl2,41,y,“X0”X (1:103:),“XF”X(104:最终,:));l1 = plot(100:T,dat(100:end),“k”,“线宽”3);持有在l2 = plot(104:144,yF1,“- r”,“线宽”2);l3 = plot(104:144,yF2,“- b”,“线宽”2);持有从标题(“乘客数据:实际vs预测”)包含(“月”) ylabel (“每月旅客数据的对数”)({传奇“观察”,“多项式预测”,...“回归预测”},“位置”,“西北”)
尽管他们高估了抵抗观测值,但这两个模型的预测几乎是相同的。两种模型之间的一个主要区别是EstMdl1
是不是更吝啬EstMdl2
.
引用:
博克斯,g.e.p., g.m.詹金斯,g.c.赖塞尔。时间序列分析:预测与控制.恩格尔伍德悬崖,新泽西州:普伦蒂斯大厅,1994年。