建立回归模型与基于“增大化现实”技术的错误——MATLAB仿真软件金宝app

建立回归模型与基于“增大化现实”技术的错误

这些例子展示如何创建回归模型与基于“增大化现实”技术的错误使用regARIMA。有关指定回归模型与基于“增大化现实”技术的错误使用计量经济学建模师应用程序,请参阅指定回归模型和ARMA使用计量经济学建模应用程序错误。

默认的回归模型与基于“增大化现实”技术的错误

打开生活的脚本

这个例子展示了如何应用速记regARIMA (p D q)语法来指定一个回归模型与基于“增大化现实”技术的错误。

指定默认的回归模型和AR(3)错误:

$\begin{array}{l} y_{t} = c + X_{t} β + u_{t} \\ u_{t} = {一个}_{1} u_{t - - - - - - 1} + {一个}_{2} u_{t - - - - - - 2} + {一个}_{3} u_{t - - - - - - 3} + ε_{t} 。 \end{array}$

Mdl = regARIMA (0, 0)

Mdl = regARIMA属性:描述:“ARMA(3 0)误差模型(高斯分布)”Distribution: Name = "Gaussian" Intercept: NaN Beta: [1×0] P: 3 Q: 0 AR: {NaN NaN NaN} at lags [1 2 3] SAR: {} MA: {} SMA: {} Variance: NaN

软件设置创新分布高斯,每个参数南。AR系数处于滞后1到3。

通过Mdl成估计用数据来估计的参数设置南。虽然β显示,如果你通过矩阵的预测( $X_{t}$ )估计,然后估计估计β。的估计推断的回归系数的函数β的列数 $X_{t}$ 。

使用模拟和预测等任务模拟和预测不接受和至少一个模型吗南参数值。使用点符号来修改参数值。

基于“增大化现实”技术的误差模型没有拦截

打开生活的脚本

这个例子显示了如何指定一个回归模型和基于“增大化现实”技术的错误没有回归拦截。

指定默认的回归模型和AR(3)错误:

$\begin{array}{l} y_{t} = X_{t} β + u_{t} \\ u_{t} = {一个}_{1} u_{t - - - - - - 1} + {一个}_{2} u_{t - - - - - - 2} + {一个}_{3} u_{t - - - - - - 3} + ε_{t} 。 \end{array}$

Mdl = regARIMA (“ARLags”1:3,“拦截”,0)

Mdl = regARIMA属性:描述:“ARMA(3 0)误差模型(高斯分布)”Distribution: Name = "Gaussian" Intercept: 0 Beta: [1×0] P: 3 Q: 0 AR: {NaN NaN NaN} at lags [1 2 3] SAR: {} MA: {} SMA: {} Variance: NaN

该软件集拦截为0,但所有其他有价值的参数Mdl是南默认值。

自拦截不是一个南评估期间,这是一个等式约束。换句话说,如果你通过Mdl和数据进估计,然后估计集拦截在估计为0。

您可以修改的属性Mdl使用点符号。

基于“增大化现实”技术与Nonconsecutive滞后误差模型

打开生活的脚本

这个例子显示了如何指定一个回归模型和基于“增大化现实”技术错误,非零的基于“增大化现实”技术条款nonconsecutive滞后。

指定的回归模型AR(4)错误:

$\begin{array}{l} y_{t} = c + X_{t} β + u_{t} \\ u_{t} = {一个}_{1} u_{t - - - - - - 1} + {一个}_{4} u_{t - - - - - - 4} + ε_{t} 。 \end{array}$

Mdl = regARIMA (“ARLags”[1,4])

Mdl = regARIMA属性:描述:“ARMA(4 0)误差模型(高斯分布)”Distribution: Name = "Gaussian" Intercept: NaN Beta: [1×0] P: 4 Q: 0 AR: {NaN NaN} at lags [1 4] SAR: {} MA: {} SMA: {} Variance: NaN

AR系数是滞后1和4。

验证滞后2和3的AR系数0。

Mdl.AR

ans =1×4单元阵列(南){}{[0]}{[0]}{(南)}

软件显示一个1-by-4单元阵列。每个连续的单元格包含相应的AR系数值。

通过Mdl和数据进估计。软件估计所有参数的值南。然后,估计持有 ${一个}_{2}$ = 0和 ${一个}_{3}$ 在估计= 0。

已知的参数值的回归模型与基于“增大化现实”技术的错误

打开生活的脚本

这个例子展示了如何为所有参数指定值的回归模型与基于“增大化现实”技术的错误。

指定的回归模型AR(4)错误:

$\begin{array}{l} y_{t} = X_{t} (\begin{array}{l} - - - - - - 2 \\ 0 。 5 \end{array}] + u_{t} \\ u_{t} = 0 。 2 u_{t - - - - - - 1} + 0 。 1 u_{t - - - - - - 4} + ε_{t}, \end{array}$

在哪里 $ε_{t}$ 与单位方差高斯。

Mdl = regARIMA (基于“增大化现实”技术的{0.2,0.1},“ARLags”(1、4),…“拦截”0,“β”(2,0.5),“方差”,1)

Mdl = regARIMA属性:描述:“回归ARMA(4 0)误差模型(高斯分布)”Distribution: Name = "Gaussian" Intercept: 0 Beta: [-2 0.5] P: 4 Q: 0 AR: {0.2 0.1} at lags [1 4] SAR: {} MA: {} SMA: {} Variance: 1

没有南值在任何Mdl属性,因此不需要估计Mdl使用估计。然而,您可以模拟或预测的反应Mdl使用模拟或预测。

回归模型和基于“增大化现实”技术的错误和t的创新

打开生活的脚本

这个例子显示了如何设置一个回归模型的创新分布与基于“增大化现实”技术的一个错误 $t$ 分布。

指定的回归模型AR(4)错误:

$\begin{array}{l} y_{t} = X_{t} (\begin{array}{l} - - - - - - 2 \\ 0 。 5 \end{array}] + u_{t} \\ u_{t} = 0 。 2 u_{t - - - - - - 1} + 0 。 1 u_{t - - - - - - 4} + ε_{t}, \end{array}$

在哪里 $ε_{t}$ 有一个 $t$ 分布与默认的自由度和单位方差。

Mdl = regARIMA (基于“增大化现实”技术的{0.2,0.1},“ARLags”(1、4),…“拦截”0,“β”(2,0.5),“方差”,1…“分布”,“t”)

Mdl = regARIMA属性:描述:“回归ARMA(4 0)误差模型(t分布)”Distribution: Name = "t", DoF = NaN Intercept: 0 Beta: [-2 0.5] P: 4 Q: 0 AR: {0.2 0.1} at lags [1 4] SAR: {} MA: {} SMA: {} Variance: 1

默认的自由度南。如果你不知道的自由度,那么你可以通过估计Mdl和数据估计。

指定一个 $t_{10}$ 分布。

Mdl。分布=结构(“名字”,“t”,“景深”,10)

Mdl = regARIMA属性:描述:“回归ARMA(4 0)误差模型(t分布)”Distribution: Name = "t", DoF = 10 Intercept: 0 Beta: [-2 0.5] P: 4 Q: 0 AR: {0.2 0.1} at lags [1 4] SAR: {} MA: {} SMA: {} Variance: 1

你可以使用模拟或预测反应模拟或预测因为Mdl完全是指定的。

在应用程序中,如模拟,软件可实现随机的 $t$ 创新。换句话说,方差覆盖的理论差异 $t$ (这是随机变量景深/ (景深- 2)),但保留了峰态的分布。

另请参阅