Regarima模型的最大似然估计 - Matlab＆Simulink金宝appGydF4y2Ba - 金宝app,下载188bet金宝搏,金宝搏官方网站

Regarima模型的最大似然估计GydF4y2Ba

创新分配GydF4y2Ba

对于Arima时间序列错误的回归模型在OuthoMetrics Toolbox™中，GydF4y2Baε.GydF4y2Ba_T.GydF4y2Ba=GydF4y2BaΣz.GydF4y2Ba_T.GydF4y2Ba，在哪里：GydF4y2Ba

ε.GydF4y2Ba_T.GydF4y2Ba是对应于观察的创新GydF4y2BaT.GydF4y2Ba。GydF4y2Ba
σ.GydF4y2Ba是创新的不断变化。您可以使用该值使用该值GydF4y2Ba方差GydF4y2BaA的财产GydF4y2Ba蛙羊皮GydF4y2Ba模型。GydF4y2Ba
Z.GydF4y2Ba_T.GydF4y2Ba是创新分布。您可以使用使用的分发GydF4y2Ba分配GydF4y2BaA的财产GydF4y2Ba蛙羊皮GydF4y2Ba模型。指定标准高斯（默认）或标准化的学生GydF4y2BaT.GydF4y2Ba和GydF4y2BaνGydF4y2Ba> 2或GydF4y2Ba南GydF4y2Ba自由程度。GydF4y2Ba

笔记GydF4y2Ba

如果GydF4y2Baε.GydF4y2Ba_T.GydF4y2Ba有一个学生的GydF4y2BaT.GydF4y2Ba分布，然后GydF4y2Ba

${Z.GydF4y2Ba}_{T.GydF4y2Ba} =GydF4y2Ba {T.GydF4y2Ba}_{νGydF4y2Ba} \sqrt{\frac{νGydF4y2Ba -GydF4y2Ba 2GydF4y2Ba}{νGydF4y2Ba}} 那GydF4y2Ba$

在哪里GydF4y2BaT.GydF4y2Ba_νGydF4y2Ba是学生的GydF4y2BaT.GydF4y2Ba随机变量GydF4y2BaνGydF4y2Ba> 2点自由。随后，GydF4y2BaZ.GydF4y2Ba_T.GydF4y2Ba是GydF4y2BaT.GydF4y2Ba- 用平均值0和方差1分布，但具有相同的KurtosissaGydF4y2BaT.GydF4y2Ba_νGydF4y2Ba。所以，GydF4y2Baε.GydF4y2Ba_T.GydF4y2Ba是GydF4y2BaT.GydF4y2Ba- 用平均值0，方差GydF4y2Baσ.GydF4y2Ba，并具有相同的峰氏蛋白GydF4y2BaT.GydF4y2Ba_νGydF4y2Ba。GydF4y2Ba

估计GydF4y2Ba基于的构建和优化似然函数GydF4y2Baε.GydF4y2Ba_T.GydF4y2Ba经过：GydF4y2Ba

估计GydF4y2BaCGydF4y2Ba和GydF4y2BaβGydF4y2Ba使用MLR.GydF4y2Ba
从估计的回归模型推断无条件干扰，GydF4y2Ba ${\overset{^GydF4y2Ba}{你GydF4y2Ba}}_{T.GydF4y2Ba} =GydF4y2Ba {yGydF4y2Ba}_{T.GydF4y2Ba} -GydF4y2Ba \overset{^GydF4y2Ba}{CGydF4y2Ba} -GydF4y2Ba {XGydF4y2Ba}_{T.GydF4y2Ba} \overset{^GydF4y2Ba}{βGydF4y2Ba}$
估算Arima错误模型，GydF4y2Ba ${\overset{^GydF4y2Ba}{你GydF4y2Ba}}_{T.GydF4y2Ba} =GydF4y2Ba {η.GydF4y2Ba}^{-GydF4y2Ba 1GydF4y2Ba} （GydF4y2Ba L.GydF4y2Ba 的）GydF4y2Ba νGydF4y2Ba （GydF4y2Ba L.GydF4y2Ba 的）GydF4y2Ba {ε.GydF4y2Ba}_{T.GydF4y2Ba} 那GydF4y2Ba$ 在哪里GydF4y2BaHGydF4y2Ba（GydF4y2BaL.GydF4y2Ba）复方自回归多项式和GydF4y2BaN.GydF4y2Ba（GydF4y2BaL.GydF4y2Ba）化合物移动平均多项式GydF4y2Ba
推断Arima错误模型的创新，GydF4y2Ba ${\overset{^GydF4y2Ba}{ε.GydF4y2Ba}}_{T.GydF4y2Ba} =GydF4y2Ba {\overset{^GydF4y2Ba}{η.GydF4y2Ba}}^{-GydF4y2Ba 1GydF4y2Ba} （GydF4y2Ba L.GydF4y2Ba 的）GydF4y2Ba \overset{^GydF4y2Ba}{νGydF4y2Ba} （GydF4y2Ba L.GydF4y2Ba 的）GydF4y2Ba {\overset{^GydF4y2Ba}{你GydF4y2Ba}}_{T.GydF4y2Ba}$
最大化Loglikeliach目标函数相对于自由参数GydF4y2Ba

笔记GydF4y2Ba

如果无条件干扰过程是非间断的（即，非季度或季节积分度大于0），则回归拦截，GydF4y2BaCGydF4y2Ba，不可识别。GydF4y2Ba估计GydF4y2Ba返回A.GydF4y2Ba南GydF4y2Ba为了GydF4y2BaCGydF4y2Ba当它适合集成模型时。有关详细信息，请参阅GydF4y2BaArima错误的回归模型中的截距可识别性GydF4y2Ba。GydF4y2Ba

估计GydF4y2Ba估计所有参数GydF4y2Ba蛙羊皮GydF4y2Ba模型设置为GydF4y2Ba南GydF4y2Ba。GydF4y2Ba估计GydF4y2Ba荣誉任何平等限制GydF4y2Ba蛙羊皮GydF4y2Ba模型，即，GydF4y2Ba估计GydF4y2Ba修复您在估计期间设置的值的参数。GydF4y2Ba

loglikeliach函数GydF4y2Ba

鉴于其历史，创新是有条件独立的。让GydF4y2BaHGydF4y2Ba_T.GydF4y2Ba表示随时可用的过程的历史GydF4y2BaT.GydF4y2Ba，在哪里GydF4y2BaT.GydF4y2Ba= 1，......，GydF4y2BaT.GydF4y2Ba。创新的可能性函数是GydF4y2Ba

$FGydF4y2Ba （GydF4y2Ba {ε.GydF4y2Ba}_{1GydF4y2Ba} 那GydF4y2Ba ......GydF4y2Ba 那GydF4y2Ba {ε.GydF4y2Ba}_{T.GydF4y2Ba} |GydF4y2Ba {HGydF4y2Ba}_{T.GydF4y2Ba -GydF4y2Ba 1GydF4y2Ba} 的）GydF4y2Ba =GydF4y2Ba {π.GydF4y2Ba}_{T.GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba}^{T.GydF4y2Ba} FGydF4y2Ba （GydF4y2Ba {ε.GydF4y2Ba}_{T.GydF4y2Ba} {| H.GydF4y2Ba}_{T.GydF4y2Ba -GydF4y2Ba 1GydF4y2Ba} 的）GydF4y2Ba 那GydF4y2Ba$

在哪里GydF4y2BaFGydF4y2Ba是标准的高斯或GydF4y2BaT.GydF4y2Ba概率密度函数。GydF4y2Ba

Loglikelience目标函数的确切形式取决于创新分布的参数形式。GydF4y2Ba

如果GydF4y2BaZ.GydF4y2Ba_T.GydF4y2Ba是标准高斯，那么Loglikeliach目标函数是GydF4y2Ba

$L.GydF4y2Ba O.GydF4y2Ba GGydF4y2Ba L.GydF4y2Ba =GydF4y2Ba -GydF4y2Ba \frac{T.GydF4y2Ba}{2GydF4y2Ba} 日志GydF4y2Ba （GydF4y2Ba 2GydF4y2Ba π.GydF4y2Ba 的）GydF4y2Ba -GydF4y2Ba \frac{T.GydF4y2Ba}{2GydF4y2Ba} 日志GydF4y2Ba {σ.GydF4y2Ba}^{2GydF4y2Ba} -GydF4y2Ba \frac{1GydF4y2Ba}{2GydF4y2Ba {σ.GydF4y2Ba}^{2GydF4y2Ba}} {σ.GydF4y2Ba}_{T.GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba}^{T.GydF4y2Ba} {ε.GydF4y2Ba}_{T.GydF4y2Ba}^{2GydF4y2Ba} 。GydF4y2Ba$
如果GydF4y2BaZ.GydF4y2Ba_T.GydF4y2Ba是一个标准化的学生GydF4y2BaT.GydF4y2Ba，那么loglikeliach目标函数是GydF4y2Ba

$L.GydF4y2Ba O.GydF4y2Ba GGydF4y2Ba L.GydF4y2Ba =GydF4y2Ba T.GydF4y2Ba 日志GydF4y2Ba [GydF4y2Ba \frac{γ.GydF4y2Ba （GydF4y2Ba \frac{νGydF4y2Ba +GydF4y2Ba 1GydF4y2Ba}{2GydF4y2Ba} 的）GydF4y2Ba}{γ.GydF4y2Ba （GydF4y2Ba \frac{νGydF4y2Ba}{2GydF4y2Ba} 的）GydF4y2Ba \sqrt{π.GydF4y2Ba （GydF4y2Ba νGydF4y2Ba -GydF4y2Ba 2GydF4y2Ba 的）GydF4y2Ba}}]GydF4y2Ba -GydF4y2Ba \frac{T.GydF4y2Ba}{2GydF4y2Ba} {σ.GydF4y2Ba}^{2GydF4y2Ba} -GydF4y2Ba \frac{νGydF4y2Ba +GydF4y2Ba 1GydF4y2Ba}{2GydF4y2Ba} {σ.GydF4y2Ba}_{T.GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba}^{T.GydF4y2Ba} L.GydF4y2Ba O.GydF4y2Ba GGydF4y2Ba [GydF4y2Ba 1GydF4y2Ba +GydF4y2Ba \frac{{ε.GydF4y2Ba}_{T.GydF4y2Ba}^{2GydF4y2Ba}}{{σ.GydF4y2Ba}^{2GydF4y2Ba} （GydF4y2Ba νGydF4y2Ba -GydF4y2Ba 2GydF4y2Ba 的）GydF4y2Ba}]GydF4y2Ba 。GydF4y2Ba$

估计GydF4y2Ba施行GydF4y2Ba协方差矩阵估计GydF4y2Ba用于使用梯度外产物（OPG）方法的最大似然估计。GydF4y2Ba

也可以看看GydF4y2Ba

蛙羊皮GydF4y2Ba|GydF4y2Ba估计GydF4y2Ba

Regarima模型的最大似然估计GydF4y2Ba

创新分配GydF4y2Ba

loglikeliach函数GydF4y2Ba

也可以看看GydF4y2Ba

相关话题GydF4y2Ba

OuthoMetrics工具箱文档GydF4y2Ba

金宝app

用Matlab建模财务风险的实用指南GydF4y2Ba