regARIMA模型估计的前样本值
Presample数据来自于观测期开始之前的时间点。在Econometrics工具箱™中，您可以指定自己的前样例数据或使用生成的前样例数据。
在有ARIMA误差的回归模型中，当前创新的分布(εt是有条件的历史信息（Ht）.历史信息可以包括过去无条件的扰动或过去的创新，例如，Ht= {ut- 1，εt- 1，ut- 2，εt- 2、……u0，ε0，u1，ε1,……}。然而，该软件不包括过去的回复(yt)或过去的预测因素(Xt)Ht. 例如，在具有ARIMA（2,1,1）误差的回归模型中，可以通过以下几种方式编写误差模型：
最后一个方程表明:
该系列的第一个创新(ε1)取决于历史H1= {u2，u1，u0，ε0}。H1无法从回归模型中观察到或推断。
该系列的第二个创新(ε2)取决于历史H2= {u1，u0，u1，ε1}。软件可以推断u1和ε1，但不是其他的。
该系列的第三项创新(ε3.)取决于历史H3.= {u0，u1，u2，ε2}。软件可以推断u1，u2,ε1,但不u0．
其余的创新依赖于可推断的无条件干扰和创新。
因此，软件需要三个预采样无条件扰动来初始化自回归部分，一个预采样创新来初始化移动平均部分。
复合自回归和移动平均多项式的阶数决定了过去无条件干扰和创新的数量εt取决于。复合自回归多项式包括季节自回归和非季节自回归，以及季节和非季节积分多项式。复合移动平均多项式包括季节和非季节移动平均多项式。在本例中，复合自回归多项式的次数为P= 3，则移动平均多项式的次数为问= 1。因此，该软件需要三个前样无条件干扰和一个前样创新。
如果没有预采样值（或未提供），则默认情况下，软件会为必要的预采样无条件扰动进行回溯，并将必要的预采样创新设置为0。
获得前样本无条件干扰的另一个选择是将数据集划分为前样本部分和估计部分:
对数据进行分区，使预样例部分至少包含
马克斯(P, Q)观察。软件使用最新版本马克斯(P, Q)观察，忽略其余部分。对于预样本部分，回归yt到Xt．
从回归模型中推断残差。这些是无条件扰动的前样本。
通过样本无条件干扰(
情况)和估计部分的数据估计．
这个选项会导致样本大小的损失。请注意，当使用基于似然的拟合度量(如似然比检验或信息标准)比较多个模型时，数据必须具有相同的估计部分，且前样本部分的大小必须相同。
如果计划指定前样例值，则必须至少指定初始化序列所需的数字。
你可以指定无条件干扰和创新，或者两者都不是。
相关话题
你也可以从以下列表中选择一个网站:
