t= 1,…,T．

y_t为响应序列。

X_t是行t的X，它是串联预测器数据向量的矩阵。也就是说,X_t是观察t每个预测因子序列。

c为回归模型截距。

β为回归系数。

u_t为扰动级数。

ε_t是创新系列。

$$l^j{y}_t＝y_{t-j}．$$

$$\mathrm{一个}（l）＝（1-{\mathrm{一个}}_{1}l-\mathrm{．..}-{\mathrm{一个}}_p{l}^p），$$也就是度p，非季节性自回归多项式。

$$\mathrm{一个}（l）＝（1-{\mathrm{一个}}_{1}l-\mathrm{．..}-{\mathrm{一个}}_{p_{\mathrm{年代}}}{l}^{p_{\mathrm{年代}}}），$$也就是度p_年代，季节自回归多项式。

$${（1-l）}^D，$$也就是度D，非季节性积分多项式。

$$（1-l^{\mathrm{年代}}），$$也就是度年代，季节积分多项式。

$$b（l）＝（1+b_{1}l+\mathrm{．..}+b_{问}{l}^{问}），$$也就是度问，非季节性移动平均多项式。

$$B（l）＝（1+B_{1}l+\mathrm{．..}+B_{{问}_{\mathrm{年代}}}{l}^{{问}_{\mathrm{年代}}}），$$也就是度问_年代，季节移动平均多项式。

方差商店σ²．

分布存储的参数形式z_t．

的默认值方差是南，这意味着创新差异是未知的。你可以把一个正标量赋给方差当您使用名称-值对参数指定模型时“方差”,sigma2(sigma2＝σ²)，或者使用点表示法修改现有的模型。或者，你可以估算方差使用估计．

您可以为以下发行版指定z_t(使用名称-值对参数或点表示法):

的t分布对于在高斯分布下比预期更极端的创新建模是有用的。这样的创新过程过度峰度，一种比高斯分布更有峰(或更重的尾)的分布。请注意,对于ν> 4，峰度(第四中心矩)T_ν与标准化学生的峰度相同吗t（z_t)，即，对于at随机变量，峰度是尺度不变的。

如果创新是高斯的，那么的名字字段是高斯，没有景深字段。regARIMA集分布来高斯默认情况下。

如果创新是t分布式的,的名字字段是t和景深字段是南默认情况下，或者您可以指定一个大于2的标量。