估计乘性ARIMA模型

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。

加载数据并指定模型。

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);

估计模型。

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

$Δ Δ_{12} y_{t} ＝（ 1 - 0 ． 3. 8 l ）（ 1 - 0 ． 57 l^{12} ） ε_{t} ，$

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。

推断出残差。

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

图中包含一个坐标轴。带有“残差”标题的轴包含一个类型为line的对象。

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。

另请参阅

计量经济学工具文档

金宝app

用MATLAB建模财务风险的实用指南

下载电子书