班级:蛙羊皮
预测具有ARIMA误差的回归模型的响应
[Y,YMSE] =预测(MDL,NumPerioDS)
[Y, YMSE U] =预测(Mdl numperiods)
[Y, YMSE U] =预测(Mdl numperiods,名称,值)
[
预测答复(Y
,YMSE
) =预测(MDL.
,numperiods.
)Y
),并生成相应的均方误差(YMSE
)。
[
此外,还预测了具有ARIMA误差的回归模型的无条件干扰。Y
,YMSE
,U
) =预测(MDL.
,numperiods.
)
[
带有一个或多个指定的附加选项的预测Y
,YMSE
,U
) =预测(MDL.
,numperiods.
,名称,价值
)名称,价值
对参数。
numperiods.
- - - - - -预测地平线预测地平线,或预测期间的时间点数,指定为正整数。
数据类型:双重的
指定可选的逗号分隔的对名称,价值
参数。名称
参数名和价值
是相应的价值。名称
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,…,的家
.
E0
- - - - - -预先创新预先创新,初始化Arima错误模型的移动平均(MA)组件,指定为包括的逗号分隔对“E0”
和数字列向量或数字矩阵。预报
假设预先创新的意思是0。
如果E0
是列向量吗预报
将其应用于每个预测的路径。
如果E0
,Y0
, 和U0
如果矩阵具有多条路径,则它们必须具有相同的列数。
E0
至少需要Mdl.Q
行。如果E0
包含额外的行,然后预报
使用最新的预先创新。最后一行包含最新的预先创新。
默认情况下,如果U0
至少包含Mdl.P
+Mdl.Q
行,然后预报
推断E0
从U0
如果U0
行数量不足,以及预报
不能推断出充分的观察U0
从样本数据(Y0
和X0
)那么E0
是0。
数据类型:双重的
U0
- - - - - -预定无条件的骚乱预先确定的无条件干扰,初始化Arima错误模型的自回归(AR)组件,指定为包括的逗号分隔对“情况”
和数字列向量或数字矩阵。如果你没有指定样品前的创新E0
,预报
使用U0
推断出他们。
如果U0
是列向量吗预报
将其应用于每个预测的路径。
如果U0
,Y0
, 和E0
如果矩阵具有多条路径,则它们必须具有相同的列数。
U0
至少需要Mdl.P
行。如果U0
包含额外的行,然后预报
使用最新的预采样无条件扰动。最后一行包含最新的预采样无条件扰动。
默认情况下,如果预先数据数据(Y0
和X0
)至少包含Mdl.P
行,然后预报
推断U0
从样本数据。如果你没有指定前样本数据,那么所有需要的前样本无条件扰动都是0。
数据类型:双重的
X0
- - - - - -预先预测器数据预采样预测数据,初始化用于预测的模型,指定为逗号分隔对,由“X0”
和一个数字矩阵X0
是单独的时间序列变量。预报
使用X0
推断样本前无条件扰动U0
。因此,如果您指定U0
,预报
忽略了X0
.
如果没有指定U0
,然后X0
至少需要Mdl.P
要推断的行U0
如果X0
包含额外的行,然后预报
使用最新的观察结果。最后一行包含每个系列的最新观测结果。
X0
需要的列数与的长度相同mdl.beta.
.
如果您指定X0
,则还必须指定XF
.
预报
对待X0
作为固定(非随机)矩阵。
数据类型:双重的
XF
- - - - - -预测或未来的预测仪数据预测或未来的预测数据,指定为逗号分隔的对组成'xf'
和一个数字矩阵。
列的列XF
是单独的时间序列,每个时间序列对应于X0
.行t的XF
包含t- 前方预测X0
.
如果您指定X0
,则还必须指定XF
.XF
和X0
需要相同数量的列。XF
必须至少有numperiods.
行。如果XF
exceednumperiods.
行,然后预报
使用第一个numperiods.
预测。
预报
对待XF
作为固定(非随机)矩阵。
默认情况下,预报
在模型中不包括回归组件,无论在MDL.
.
数据类型:双重的
Y0
- - - - - -Presample响应数据预先确定预测模型的预先响应数据,指定为逗号分隔的对“Y0”
和数字列向量或数字矩阵。预报
使用Y0
推断样本前无条件扰动U0
。因此,如果您指定U0
,预报
忽略了Y0
.
如果Y0
是一个列向量,预报
将其应用于每个预测的路径。
如果Y0
,E0
, 和U0
如果矩阵具有多条路径,则它们必须具有相同的列数。
如果没有指定U0
,然后Y0
至少需要Mdl.P
要推断的行U0
如果Y0
包含额外的行,然后预报
使用最新的观察结果。最后一行包含最新的观察结果。
数据类型:双重的
笔记
南
年代E0
,U0
,X0
,XF
, 和Y0
表示缺失值和预报
删除它们。软件合并预采样数据集(E0
,U0
,X0
, 和Y0
),然后使用列表方式删除任何南
s。预报
同样删除南
s from.XF
.删除南
数据中的S在数据中减少了样本大小。这种去除还可以产生不规则的时间序列。
预报
假设您同步预定数据,使得每个预定系列的最新观察同时发生。
集X0
与相同的预测矩阵一样X
用于估计,仿真或推理MDL.
.此分配确保无条件干扰的正确推断,U0
.
要在响应预测中包含回归组件,必须指定预测的预测器数据XF
.也就是说,您可以指定XF
还没有指定X0
但是预报
在指定时发出错误X0
还没有指定XF
.
Y
-响应数据的最小均方误差预测响应数据的最小均方误差(MMSE)预测,以数值矩阵的形式返回。Y
有numperiods.
行和numPaths
列。
如果没有指定Y0
,E0
, 和U0
,然后Y
是一个numperiods.
列向量。
如果您指定Y0
,E0
, 和U0
,都拥有numPaths
列,然后Y
是一个numperiods.
——- - - - - -numPaths
矩阵
行我的Y
包含预测我期。
数据类型:双重的
YMSE
-预测响应的均方误差预测响应的均方误差(MSE),作为数字矩阵返回。YMSE
有numperiods.
行和numPaths
列。
如果没有指定Y0
,E0
, 和U0
,然后YMSE
是一个numperiods.
列向量。
如果您指定Y0
,E0
, 和U0
,都拥有numPaths
列,然后YMSE
是一个numperiods.
——- - - - - -numPaths
矩阵
行我的YMSE
的预测误差方差我期。
预测数据并不会导致变异性YMSE
因为预报
对待XF
作为一个非旋涡矩阵。
的平方根YMSE
预测的标准误差是多少Y
.
数据类型:双重的
U
-未来ARIMA误差模型无条件扰动的最小均方误差预测最小均方误差(MMSE)预测未来ARIMA误差模型无条件扰动,返回为数值矩阵。U
有numperiods.
行和numPaths
列。
如果没有指定Y0
,E0
, 和U0
,然后U
是一个numperiods.
列向量。
如果您指定Y0
,E0
, 和U0
,都拥有numPaths
列,然后U
是一个numperiods.
——- - - - - -numPaths
矩阵
行我的U
包含预测的无条件干扰我期。
数据类型:双重的
用ARMA(2,1)误差预测以下回归模型在30个周期内的响应:
哪里 高斯是否具有差异0.1。
指定模型。模拟来自模型和两个预测序列的响应。
mdl0 = regarima('截距',0,基于“增大化现实”技术的{0.5 - -0.8},...“马”, -0.5,'beta',[0.1 -0.2],“差异”, 0.1);rng (1);%的再现性X = randn (130 2);y =模拟(Mdl0,130,'X', X);
将模型拟合到前100个观测值,并保留剩下的30个观测值来评估预测性能。
mdl = regarima('arlags'1:2);EstMdl =估计(Mdl y (1:10 0),'X'X (1:10 0,:));
ARMA(2,0)误差模型回归(高斯分布):值StandardError TStatistic PValue ________ _____________ __________ __________ Intercept 0.004358 0.021314 0.20446 0.83799 AR{1} 0.36833 0.067103 5.4891 4.0408e-08 AR{2} -0.75063 0.090865 -8.2609 1.4453e-16 Beta(1) 0.076398 0.023008 3.3205 0.00089863 Beta(2) -0.1396 0.023298 -5.9919 2.0741e-09方差0.079876 0.01342 5.9522 2.6453e-09
estmdl.
是一个新的蛙羊皮
包含估计的模型。估计贴近其真实值。
用estmdl.
来预测30个时间段。用图表将预测结果与抵抗者数据进行直观比较。
[YF,YMSE] =预测(estmdl,30,“Y0”y (1:10 0),...“X0”,X(1:100,:),'xf'X(101:最终,:));图绘制(y,“颜色”,[。7,.7,.7]);持有在绘图(101:130,yF,“b”,“线宽”2);情节(101:130,YF + 1.96 * SQRT(YMSE),'r:',...“线宽”2);情节(101:130、yf - 1.96 * sqrt (yMSE),'r:',“线宽”2);甘氨胆酸h =;= patch([repmat(101,1,2) repmat(130,1,2)]),...[H.YLIM PLIPLR(H.YLIM)],...[0 0 0 0],“b”);ph.FaceAlpha=0.1;图例(“观察”,“预测”,...'95%预测间隔','地点',“最佳”);标题([“30期预测和大约95%”...预测区间的])轴紧持有离开
在钉子户样本中的许多观察结果都超出了95%的预测区间。有两个原因:
在本例中,预测器是随机生成的。估计
将预测器视为固定的。基于估计数的95%预测间隔估计
不考虑预测因子的可变性。
通过剪切机会,估计期似乎比预测期更易失去。估计
使用波动性较小的估计周期数据来估计参数。因此,基于估计的预测区间不应涵盖具有较大变异性的潜在创新过程的观测结果。
预测静止,使用带有ARMA(1,1)错误的回归模型的GDP,包括CPI作为预测器。
加载U.S.宏观经济数据集并预处理数据。
负载Data_USEconModel;loggdp = log(dataTable.gdp);dloggdp = diff(loggdp);实质性的%dcpi = diff(DataTable.cpiaucsl);实质性的%numObs=长度(dlogGDP);gdp=dlogGDP(1:15年底);%估计样本cpi = 3(1:长达15);T =长度(gdp);有效样本量frstHzn = T + 1: numObs;%预测地平线Hocpi = DCPI(FRSTHZN);%抵抗样本dts=日期(2:结束);%date nummbers.
适合ARMA(1,1)错误的回归模型。
mdl = regarima('arlags', 1“MALags”1);EstMdl =估计(Mdl、国内生产总值'X'cpi);
1.1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)1)误差模型误差模型误差模型误差模型(1)误差模型(1)误差模型(1)误差(1)误差模型(1)误差模型(高斯(1)误差模型(高斯分布:1)误差模型(高斯分布:1)误差模型(高斯分布:1)误差模型(高斯分布:1)误差模型(高斯分布:1)误差模型(高斯分布:1)误差模型(高斯分布:1)误差:1)误差:1)误差:1)误差:1)误差:贝塔(1)0.0028972 0.0013989 2.071 0.038355差异9.5734e-05 6.5562e-06 14.602 2.723e-48
预测未来15个季度的GDP增长率。使用估计样本作为预测的前样。
[gdpF,gdpMSE]=预测(EstMdl,15,“Y0”,本地生产总值,...“X0”,消费物价指数,'xf', hoCPI);
绘制预测和95%的预测间隔。
图1 = plot(dts(end-65:end),dlogGDP(end-65:end),...“颜色”,[7,7,7]);日期勾选保留在h2 =情节(gdpF dts (frstHzn),“b”,“线宽”2);h3 =情节(dts (frstHzn) gdpF + 1.96 * sqrt (gdpMSE),'r:',...“线宽”2);情节(dts (frstHzn) gdpf - 1.96 * sqrt (gdpMSE),'r:',“线宽”,2);ha=gca;标题([“{\bf预报和大约95%}”...“{\bf GDP率预测区间}”])ph=贴片([repmat(dts(frstHzn(1)),1,2)repmat(dts(frstHzn(end)),1,2)],...(公顷。YLim fliplr(ha.YLim)],...[0 0 0 0],“b”); ph.FaceAlpha=0.1;图例([h1 h2 h3]{“实际GDP率”,'预测GDP率',...'95%预测间隔'},'地点',“最佳”,“自动更新”,“关闭”);轴线紧持有离开
使用误差为ARIMA(1,1,1)的回归模型预测单位根非平稳,对GDP进行对数预测,包括CPI作为预测因子和已知截距。
加载U.S.宏观经济数据集并预处理数据。
负载Data_USEconModel;numObs=length(DataTable.GDP);logGDP=log(DataTable.GDP(1:end-15));cpi=DataTable.CPIAUCSL(1:end-15);T=length(logGDP);有效样本量frstHzn = T + 1: numObs;%预测地平线hoCPI = DataTable.CPIAUCSL (frstHzn);%抵抗样本
指定估计期间的模型。
mdl = regarima('arlags', 1“MALags”, 1“D”1);
在有集成误差的模型中,截距是不可识别的,所以在估计前先确定它的值。一种方法是用简单线性回归估计截距。
Reg4Int = [oon(t,1),cpi] \ loggdp;拦截= reg4int(1);
考虑使用拦截网格执行敏感性分析。
设置截距,用ARIMA(1,1,1)误差拟合回归模型。
mdl.intercept =截距;Estmdl =估计(MDL,LOGGDP,'X',消费物价指数,...“显示”,“关闭”)
EstMdl=regARIMA,属性:Description:“ARIMA(1,1,1)误差模型(高斯分布)”分布:Name=“Gaussian”截距:5.80142 Beta:[0.00396703]P:2d:1q:1ar:{0.922717}滞后[1]SAR:{}MA:{-0.387864}滞后[1]SMA:{}方差:0.000108944回归ARIMA(1,1,1)误差模型(高斯分布)
预测未来15个季度的GDP增长。使用估计样本作为预测的前样。
[gdpF,gdpMSE]=预测(EstMdl,15,“Y0”logGDP,...“X0”,消费物价指数,'xf', hoCPI);
绘制预测和95%的预测间隔。
图H1 = plot(日期(结束-65:结束),log(dataTable.gdp(ex-65:结束)),...“颜色”,[7,7,7]);日期勾选保留在h2 =情节(gdpF日期(frstHzn),“b”,“线宽”h3=绘图(日期(frstHzn),gdpF+1.96*sqrt(gdpMSE),'r:',...“线宽”2);情节(日期(frstHzn) gdpf - 1.96 * sqrt (gdpMSE),'r:',...“线宽”,2);ha=gca;标题([“{\bf预报和大约95%}”...“{\bf GDP对数预测区间}”]);ph=斑块([repmat(日期(frstHzn(1)),1,2)repmat(日期(frstHzn(结束)),1,2)],...(公顷。YLim fliplr(ha.YLim)],...[0 0 0 0],“b”); ph.FaceAlpha=0.1;图例([h1 h2 h3]{观察到国内生产总值的,“预测GDP”,...'95%预测间隔'},'地点',“最佳”,“自动更新”,“关闭”);轴线紧持有离开
无条件的干扰, ,是非平稳的,因此预测区间的宽度随时间增长。
用于预测的时间基分区是时基的两个不相交、连续的间隔;每个间隔包含用于预测动态模型的时间序列数据预测期(预测地平线)是一个numperiods.
时间基础结束时的长度分区预报
生成预测Y
从动态模型MDL.
.的presample时期是发生在预测期之前的整个分区。预报
需要观察到的反应Y0
,回归数据X0
,无条件干扰U0
或创新E0
在预采样期间初始化用于预测的动态模型。模型结构决定所需预采样观测的类型和数量。
一种常见的做法是将动态模型与数据集的一部分相匹配,然后通过将模型的预测与观测到的响应进行比较来验证模型的可预测性。在预测期间,前样本期包含模型拟合的数据,预测期包含用于验证的抵抗样本。假设yt为观察到的响应序列;x1,t,x2.t, 和x3.t是观察到的外生序列;和时间t= 1,…,T.考虑从一个动态模型预测响应yt包含回归分量numperiods.
=K期。假设动态模型拟合区间为[1,T- - - - - -K](有关详细信息,请参阅估计
)。该图显示了预测的时空基分区。
例如,生成预测Y
根据AR(2)误差的回归模型,预报
需要预先取样无条件扰动U0
以及未来预测数据XF
.
预报
Infers提供足够容易获得的预先响应和预测数据的无条件干扰。初始化AR(2)错误模型,Y0
=
和X0
=
.
模拟,预报
需要未来的外源数据XF
=
.
此图显示了一般情况下所需观察值的数组,以及相应的输入和输出参数。
[1] Box, 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。
[2] 戴维森,R.和J.G.麦金农。计量经济学理论与方法英国牛津:牛津大学出版社,2004年。
恩德斯[3],W。应用计量经济时间序列新泽西州霍博肯:约翰·威利父子公司,1995年。
[4] 汉密尔顿,J.D。时间序列分析.普林斯顿:普林斯顿大学出版社,1994。
[5] 潘克拉茨,A。用动态回归模型进行预测。John Wiley & Sons, Inc, 1991。
Tsay, r.s。金融时间序列分析.第二辑。Hoboken,NJ:2005年John Wiley&Sons,Inc。
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。