regARIMA类

超类:

创建具有ARIMA时间序列误差的回归模型

展开所有页面

描述

regARIMA创建一个具有ARIMA时间序列误差的回归模型保持回归系数的敏感性。

默认情况下，时间序列误差(也称为无条件扰动)是独立的、同分布的、平均为0的高斯随机变量。如果错误具有自相关结构，那么您可以为它们指定模型。模型包括:

移动普通（MA）
自回归(AR)
混合自回归和移动平均（ARMA）
综合（Arima）
乘积季节（SARIMA）

指定包含已知系数的错误模型：

模拟反应使用模拟．
使用以下方法探索脉冲响应冲动．
使用预报．
用数据估计未知系数估计．

建造

MDL.= regARIMA创建一个带有0 Arima错误的回归模型，没有回归系数。

MDL.= regARIMA (p，D，问）创建一个回归模型，其中包含由自动增加度的非季度线性时间序列建模的错误p,差分化程度D，移动平均度问．

MDL.= regARIMA (名称,值）使用一个或多个指定的附加选项创建带有ARIMA错误的回归模型名称,值对论点。的名字也可以是属性名称和价值是相应的价值。的名字必须出现在单引号内（＇＇）。您可以指定几个名称,值将任意顺序的参数配对为name1，value1，...，namen，valuen．

输入参数

请注意

对于非季节性ARIMA误差的回归模型，使用p，D，和问．对于具有季节ARIMA误差的回归模型，使用名称,值对论点。

`p`	误差模型的非季度，自回归多项式程度，指定为正整数。
`D`	错误模型的非季度集成度，指定为非负整数。
`问`	误差模型的非季节性、移动平均多项式度，指定为正整数。

名称值对参数

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值是相应的价值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

“拦截”

回归模型截距，指定为逗号分隔对组成“拦截”和一个标量。

默认值:南

'beta'

与预测器数据相关的回归模型系数，指定为逗号分隔对组成'beta'和一个向量。

默认值:［］(没有预测数据对应的回归系数)

基于“增大化现实”技术的

误差模型的非季度自动评级系数，指定为逗号分隔对组成基于“增大化现实”技术的和细胞载体。这些系数必须得到一个稳定的多项式。

如果您指定ARLags,然后基于“增大化现实”技术等效长度的细胞矢量系数与滞后有关吗ARLags．例如,如果ARLags＝[1,4]和基于“增大化现实”技术＝{0.2,0.1}然后，忽略所有其他规范，错误模型是 $u_{t} ＝ 0.2 u_{t - 1} + 0.1 u_{t - 4} + {ε.}_{t} ．$
如果没有指定ARLags,然后基于“增大化现实”技术是滞后系数1,2，…的细胞向量，p，这是非季度，自回归多项式程度。例如,如果基于“增大化现实”技术＝{0.2,0.1}而且你没有指定ARLags然后，忽略所有其他规范，错误模型是 $u_{t} ＝ 0.2 u_{t - 1} + 0.1 u_{t - 2} + {ε.}_{t} ．$

的系数基于“增大化现实”技术对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1E-12或以下,regARIMA排除该系数及其相应的滞后ARLags从模型。

默认值:细胞的向量南S的长度和ARLags．

'嘛'

误差模型的非季节性、移动平均系数，指定为逗号分隔对组成'嘛'和细胞载体。这些系数必须得到一个可逆多项式。

如果您指定MALags,然后嘛等效长度的细胞矢量系数与滞后有关吗MALags．例如,如果MALags＝[1,4]和嘛＝{0.2,0.1}然后，忽略所有其他规范，错误模型是 $u_{t} ＝ {ε.}_{t} + 0.2 {ε.}_{t - 1} + 0.1 {ε.}_{t - 4} ．$
如果没有指定MALags,然后嘛是滞后系数1,2，…的细胞向量，问，即非季节性的移动平均多项式次数。例如,如果嘛＝{0.2,0.1}而且你没有指定MALags然后，忽略所有其他规范，错误模型是 $u_{t} ＝ {ε.}_{t} + 0.2 {ε.}_{t - 1} + 0.1 {ε.}_{t - 2} ．$
的系数嘛对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1E-12或以下,regARIMA排除该系数及其相应的滞后MALags从模型。

默认值:细胞的向量南S的长度和MALags．

'arlags'

与之相关的滞后基于“增大化现实”技术错误模型中的系数，指定为逗号分隔的对组成'arlags'和正整数的向量。

默认值:整数向量1,2，…，p，非季节性，自回归多项式次数。

“MALags”

与之相关的滞后嘛错误模型中的系数，指定为逗号分隔的对组成“MALags”和正整数的向量。

默认值:整数向量1,2，…，问中，非季节性移动平均多项式度。

'SAR'

错误模型的季节性自动评级系数，指定为逗号分隔的配对组成'SAR'和细胞载体。系数必须得到一个稳定的多项式。

如果您指定SARLags,然后SAR.等效长度的细胞矢量系数与滞后有关吗SARLags．例如,如果sarlag = [1,4]，SAR = {0.2, 0.1}，和季节性= 4然后，忽略所有其他规范，错误模型是

$（ 1 - 0.2 l - 0.1 l^{4} ）（ 1 - l^{4} ） u_{t} ＝ {ε.}_{t} ．$
如果没有指定SARLags,然后SAR.是滞后系数1,2，…的细胞向量，p_年代，这是季节性自动增加多项式程度。例如,如果SAR = {0.2, 0.1}和季节性= 4，而且你没有指定SARLags然后，忽略所有其他规范，错误模型是

$（ 1 - 0.2 l - 0.1 l^{2} ）（ 1 - l^{4} ） u_{t} ＝ {ε.}_{t} ．$

的系数SAR.对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1E-12或以下,regARIMA排除该系数及其相应的滞后SARLags从模型。

默认值:细胞的向量南S的长度和SARLags．

SMA的

季节性，移动平均系数的错误模型，指定为逗号分隔的配对组成SMA的和细胞载体。系数必须得到一个可逆的多项式。

如果您指定SMALags,然后SMA等效长度的细胞矢量系数与滞后有关吗SMALags．例如,如果SMALags＝[1,4]，SMA＝{0.2,0.1}，和季节性= 4，则忽略所有其他规范，错误模型为 $（ 1 - l^{4} ） u_{t} ＝（ 1 + 0.2 l + 0.1 l^{4} ） {ε.}_{t} ．$
如果没有指定SMALags,然后SMA是滞后系数1,2，…的细胞向量，问_年代，季节移动平均多项式次数。例如,如果SMA＝{0.2,0.1}和季节性= 4，且不指定SMALags然后，忽略所有其他规范，错误模型是 $（ 1 - l^{4} ） u_{t} ＝（ 1 + 0.2 l + 0.1 l^{2} ） {ε.}_{t} ．$

的系数SMA对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1E-12或以下,regARIMA排除该系数及其相应的滞后SMALags从模型。

默认值:细胞的向量南S的长度和SMALags．

'sarlags'

与之相关的滞后SAR.错误模型中的系数，指定为逗号分隔的对组成'sarlags'和正整数的向量。

默认值:整数向量1,2，…，p_年代，季节自回归多项式次数。

'SMALags'

与之相关的滞后SMA错误模型中的系数，指定为逗号分隔的对组成'SMALags'和正整数的向量。

默认值:整数向量1,2，…，问_年代，季节移动平均多项式次数。

' D '

误差模型的多项式（即非季度集成度）的非季度差异，指定为逗号分隔对' D '和一个非负整数。

默认值:0(没有季节性集成)

“季节性”

为误差模型的季节差多项式度，指定为逗号分隔对组成“季节性”和一个非负整数。

默认值:0(没有季节性的集成)

“方差”

模型创新的方差ε._t，指定为逗号分隔的对，由“方差”和正标量。

默认值:南

“分布”

条件概率分布的创新过程，指定为逗号分隔对组成“分布”以及描述该分布的分布名称或结构数组。

分布分布名称结构阵列

高斯 “高斯” 结构(“名字”,“高斯”)

学生的t

“t”

默认情况下,景深是南．

结构(“名字”,“t”,景深,景深)

景深> 2或景深=南

默认值:“高斯”

“描述”

串标量或描述模型特征向量。默认情况下，这种说法描述了模型的参数形式，例如，ARIMA(1,1,1)误差模型(高斯分布)．

请注意

指定与季节多项式相关的滞后SAR.和SMA在观测数据的周期性中，而不是作为季节性参数。这个惯例不符合Box和Jenkins的标准[1]符号，但它是一种更灵活的融合季节性的方法。

属性

`基于“增大化现实”技术`	对应于所述误差模型的稳定多项式非季节性，自回归系数的细胞载体。相关的滞后是1,2，…，p，它是非季节性的，自回归多项式次，或如`ARLags`．
`bet`	对应于预测器数据矩阵列的回归系数的真实矢量。
`D`	非负整数表示误差模型的非季度积分度。
`描述`	字符串标量用于模型描述。
`分布`	创新过程条件概率分布的数据结构。场`的名字`存储分发名称`“高斯”`或者`“t”`．如果分布是`“t”`，则结构也有场`景深`存储自由度。
`截距`	错误模型中的标量截距。
`嘛`	对应于误差模型的可逆多项式的非季度移动平均系数的细胞矢量。相关的滞后是1,2，…，问达到非季节性移动平均多项式的程度，或如`MALags`．
`P`	标量，该误差模型的化合物自回归多项式度。 `P`为初始化误差模型的自回归分量所需的滞后观测总数。`P`包括由所述属性捕获非季节性和季节性一体化的效果`D`和`季节性`，以及非季节性和季节性自回归多项式`基于“增大化现实”技术`和`SAR.`,分别。 `P`不一定符合标准的Box和Jenkins符号[1]．如果`D = 0`，`季节性= 0.`，和`SAR = {}`,然后`P`符合标准符号。
`问`	标量，复合移动平均多项式次的误差模型。 `问`为初始化模型的移动平均分量所需的滞后创新的总数。`问`包括非季度和季节性移动平均多项式的影响`嘛`和`SMA`,分别。 `问`不一定符合标准的Box和Jenkins符号[1]．如果`sma = {}`,然后`问`符合标准符号。
`SAR.`	细胞向量的季节自回归系数对应一个稳定的多项式的误差模型。相关的滞后是1,2，…，p_年代，这是自回归季节性多项式的次数，或在指定`SARLags`．
`SMA`	细胞向量的季节移动平均系数对应一个可逆多项式的误差模型。相关的滞后是1,2，…，问_年代，即季节移动平均多项式次，或如`SMALags`．
`季节性`	非负整数指示季节性差分多项式度误差模型。
`方差`	模型创新的正标量方差。

方法

华宇电脑	将有ARIMA误差的回归模型转换为ARIMAX模型
估计	Arima错误估算回归模型的参数
过滤器	通过带ARIMA误差的回归模型对干扰进行滤波
预报	预测具有ARIMA误差的回归模型的响应
冲动	具有ARIMA误差的回归模型的脉冲响应
推断	利用ARIMA误差推断回归模型的创新之处
打印	(待删除)显示具有ARIMA误差的回归模型的估计结果
模拟	具有ARIMA误差的蒙特卡罗模拟回归模型
总结	显示带有ARIMA误差的回归模型估计结果

复制语义

价值。要了解值类如何影响复制操作，请参阅复制对象（matlab）。

例子

全部折叠

指定一个具有非季节性ARIMA误差的回归模型

打开直播脚本

使用Arima（2,1,3）错误指定以下回归模型：

$\begin{array}{c} y_{t} ＝ u_{t} \\ （ 1 - {φ.}_{1} l - {φ.}_{2} l^{2} ）（ 1 - l ） u_{t} ＝（ 1 + {θ.}_{1} l + {θ.}_{2} l^{2} + {θ.}_{3.} l^{3.} ） {ε.}_{t} ． \end{array}$

Mdl = regARIMA (2, 1, 3)

MDL = Regarima具有属性：“Arima（2,1,3）错误型号（高斯分布）”分布：名称=“高斯”截取：NaN Beta：[1×0] P：3 D：1问：3AR：{Nan NaN}在滞后[1 2] SAR：{} MA：{南纳Nan}在滞后[1 2 3] SMA：{}方差：南

输出显示属性的值P，D，和问的MDL.．相应的自回归和移动平均系数(包含基于“增大化现实”技术和嘛)是包含正确数目的单元格数组南价值观。注意P＝p+D= 3，表明您需要三个预定观察，以初始化估计模型。

修正带有ARIMA误差的回归模型

打开直播脚本

定义具有ARIMA误差的回归模型:

$\begin{array}{llllllllllllllllllll} \begin{array}{c} y_{t} ＝ 2 + X_{t} ［ \begin{array}{cccccccccccccccccccc} 1 ． 5 \\ 0 ． 2 \end{array} ］ + u_{t} \\ （ 1 - 0 ． 2 l - 0 ． 3. l^{2} ） u_{t} ＝（ 1 + 0 ． 1 l ） {ε.}_{t} ， \end{array} \end{array}$

在哪里 ${ε.}_{t}$ 高斯是否具有差异0.5。

mdl = regarima（“拦截”,2，基于“增大化现实”技术的，{0.2 0.3}，'嘛'{0.1},......“方差”，0.5，'beta'(1.5 - 0.2))

描述:“ARMA(2,1)误差模型(高斯分布)回归”分布:Name = "高斯" Intercept: 2 Beta: [1.5 0.2] P: 2 Q: 1 AR: {0.2 0.3} at lag [1 2] SAR: {} MA: {0.1} at lag [1] SMA: {} Variance: 0.5

MDL.例如，在给定预测器数据矩阵的情况下模拟一系列响应，完全指定 $X_{t}$ ．

修正模型，估计回归系数、AR项和创新的方差。

Mdl。bet＝［南南］; Mdl.AR = {NaN NaN}; Mdl.Variance = NaN;

将创新分配改为 $t$ 分布有15个自由度。

Mdl.Distribution =结构（“名字”，“t”，'DOF'15)

MDL = Regarima具有属性：“用ARMA的回归（2,1）错误型号（T分布）”分布：名称=“T”，DOF = 15次截障：2β：[南纳] P：2问：1AR：{Nan Nan}在滞后[1 2] SAR：{} MA：{0.1}在LAG [1] SMA：{}差异：南

指定一个带有SARIMA误差的回归模型

打开直播脚本

指定以下型号：

$\begin{array}{llllllllllllllllllll} \begin{array}{c} y_{t} ＝ 1 + 6 X_{t} + u_{t} \\ （ 1 - 0 ． 2 l ）（ 1 - l ）（ 1 - 0 ． 5 l^{4} - 0 ． 2 l^{8} ）（ 1 - l^{4} ） u_{t} ＝（ 1 + 0 ． 1 l ）（ 1 + 0 ． 05 l^{4} + 0 ． 01 l^{8} ） {ε.}_{t} ， \end{array} \end{array}$

在哪里 ${ε.}_{t}$ 是方差为1的高斯分布。

mdl = regarima（“拦截”，1，'beta'，6，基于“增大化现实”技术的, 0.2,......'嘛', 0.1,'SAR'{0.5, 0.2},'sarlags'，[4,8]，......SMA的{0.05,0.01}，'SMALags', 8 [4],' D '，1，......“季节性”，4，“方差”, 1)

MDL = regARIMA与属性：描述： “回归与ARIMA（1,1,1）误差模型季节性集成与季节性AR（8）和MA（8）（高斯分布）” 分布：名称= “高斯” 截取：1贝塔：[6]，P：14 d：1 Q：9 AR：{0.2}在延迟[1] SAR：{0.5 0.2}在滞后[4 8] MA：{0.1}在延迟[1] SMA：{0.05 0.01在}滞后[4 8]季节性：4方差：1

如果没有指定SARLags或者SMALags，则系数SAR.和SMA默认情况下对应于LAG 1和2。

mdl = regarima（“拦截”，1，'beta'，6，基于“增大化现实”技术的, 0.2,......'嘛', 0.1,'SAR'{0.5, 0.2},SMA的{0.05,0.01}，......' D '，1，“季节性”，4，“方差”, 1)

描述:“ARIMA(1,1,1)误差模型的回归与季节AR(2)和MA(2)(高斯分布)集成”分布:Name = "高斯" Intercept: 1 Beta: [6] P: 8 D: 1 Q: 3 AR: {0.2} at lag [1] SAR: {0.5 0.2} at lag [1 2] MA: {0.1} at lag [1] SMA: {0.05 0.01} at lag [1 2