这个例子展示了如何使用乘法季节ARIMA模型来估计估计
.时间序列是1949年至1960年国际航空公司每月的乘客数量。
加载航空公司数据集。
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);
使用前13个观测值作为前样数据,其余131个观测值进行估计。
y0 = y (1:13);[EstMdl, EstParamCov] =估计(Mdl y(14:结束),“Y0”, y0)
ARIMA(0,1,1)模型季节性与季节性MA(12)(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ __________ Constant 00 NaN NaN MA{1} -0.37716 0.073426 -5.1366 2.7972 -07 SMA{12} -0.57238 0.093933 -6.0935 1.1047e-09方差0.0013887 0.00015242 9.1115 8.1249e-20
描述:“arima(0,1,1)模型与季节性MA(12)(高斯分布)的季节性集成”分布:Name = "高斯" P: 13 D: 1 Q: 13 Constant: 0 AR: {} SAR: {} MA: {-0.377161} at lag [1] SMA: {-0.572379} at lag[12]季节性:12 Beta: [1×0] Variance: 0.00138874 . [1]: {-0.377161} at lag [1]
EstParamCov =4×40000 0 0.0054 -0.0015 -0.0000 0 -0.0015 0.0088 0.0000 0 -0.0000 0.0000 0.0000
拟合模型为
创新方差为0.0014。
注意,模型常数不是估计的,而是固定在0。对于常数项没有相应的标准误差或t统计量。与常数项对应的方差协方差矩阵中的行(和列)都为零。
从拟合模型中推断残差。
res =推断(EstMdl y(14:结束),“Y0”, y0);图(14:T,res) xlim([0,T]) title(“残差”)轴紧
当你使用前13个观测值作为样本前数据时,从时间14开始就可以得到残差。
引用:
博克斯,g。e。P。g。m。Jenkins和g。c。Reinsel。时间序列分析:预测与控制.3版。恩格尔伍德悬崖,NJ: Prentice Hall, 1994。