此示例演示如何使用华宇电脑
指定一个没有常数项的乘性季节性ARIMA模型(针对月度数据)。
指定没有常数项的乘法季节ARIMA模型,
其中创新分布为常数方差高斯分布。在这里, 一阶非季节性差分算子和吗 为周期为12的一阶季节差分算子。
Mdl=arima(“常数”,0,“ARLags”1.“沙拉”12' D '1....“季节性”12“MALags”1.“SMALags”, 12)
描述:“arima(1,1,1)模型与季节AR(12)和MA(12)(高斯分布)的季节性集成”分布:Name = "高斯" P: 26 D: 1 Q: 13 Constant: 0 AR: {NaN} at lag [1] SAR: {NaN} at lag [12] MA: {NaN} at lag [1] SMA: {NaN} at lag[12]季节性:12 Beta: [1×0] Variance: NaN . [12]: {NaN} at lag [1]
名称-值对参数阿拉格斯
指定与非季节AR系数对应的滞后,
.沙拉
指定与季节性AR系数相对应的滞后,此处为滞后12。非季节性MA系数和季节性MA系数的规定类似。D
指定非季节性整合的程度。季节性
例如,指定时间序列的周期季节性
=12表示每月数据。自季节性
是否大于0,季节积分的程度
这是一个。
无论何时包含季节性AR或MA多项式(通过指定特别行政区
或SMA
)在型号说明书中,华宇电脑
以乘法方式合并它们。华宇电脑
设置属性P
等于p+D+
+年代(这里,1+1+12+12=26)。同样,华宇电脑
设置属性问
等于问+
(这里1 + 12 = 13)。
显示…的值特别行政区
:
Mdl。特别行政区
ans=1×12单元阵列列1到8{[0]}{[0]}{[0]}{[0]}{[0]}{[0]}{[0]}{[0]}列9到12{[0]}{[0]}{[0]}{(南)}
的特别行政区
单元格数组返回12个元素,由沙拉
.华宇电脑
设置临时滞后系数等于零,以保持与MATLAB®单元阵列索引的一致性。因此,唯一的非零系数对应滞后12。
的所有其他属性Mdl
是楠
-value,表示相应的模型参数是可估计的,或者您可以使用点表示法指定它们的值。
这个示例展示了如何指定一个具有已知参数值的乘性季节性ARIMA模型(用于季度数据)。您可以使用这样一个完全指定的模型作为输入模拟
或预测
.
指定乘数季节ARIMA模型
其中,新息分布为高斯分布,方差为常数0.15。此处, 是不是非季节性差分算子和 是周期为4的一阶季节性差分算子。
Mdl=arima(“常数”,0,基于“增大化现实”技术的,0.5,' D '1.“妈妈”,0.3,...“季节性”4.“特区”,-0.7,“沙拉”4....SMA的, -0.2,“SMALags”4.“方差”, 0.15)
Mdl=arima,属性:Description:“季节性结合季节性AR(4)和MA(4)(高斯分布)的arima(1,1,1)模型”分布:Name=“Gaussian”P:10D:1Q:5常数:0AR:{0.5}滞后[1]SAR:{-0.7}滞后[4]MA:{0.3}滞后[1]SMA:{-0.2}滞后[4]季节性:4β:[1×0]方差:0.15
输出指定与滞后多项式相比符号相反的非季节性和季节性AR系数。这与模型的差分方程形式是一致的。输出指定使用季节性AR和MA系数的滞后沙拉
和SMALags
,分别。D
指定非季节性整合的程度。季节性
= 4表示季度数据,有一个度的季节整合。
指定了所有的参数值,即没有对象属性楠
有价值的。
在计量经济学建模师应用程序中,您可以指定滞后结构、常数的存在以及SARIMA的创新分布(p,D,问)×(p年代,D年代,问年代)年代按照以下步骤进行建模。所有指定的系数都是未知但可估计的参数。
在命令行中,打开计量经济学建模师应用程序。
计量经济学模型
或者,从应用程序库中打开应用程序(请参见计量经济学建模师).
在时间序列窗格中,选择模型将适合的响应时间序列。
在计量经济学建模师选项卡,在模型部分中,单击箭头以显示模型库。
在ARMA / ARIMA模型在图库的某个部分,单击SARIMA。若要创建SARIMAX模型,请参见ARIMAX模型规范.
的SARIMA模型参数对话框出现。
指定滞后结构。使用滞后顺序选项卡指定SARIMA(p,D,问)×(p年代,D年代,问年代)年代模型,该模型包括:
非季节多项式中从1到其各自阶数的所有连续滞后
滞后都是该时期的连续倍数(年代),在季节多项式中
一个年代-次季节积分多项式
使用滞后向量选项卡为所有多项式指定特定滞后的灵活性。有关详细信息,请参见交互指定滞后算子多项式.无论使用何种选项卡,您都可以通过检查模型方程部分
例如,考虑这个Sarima(2,1,1)×(2,1,1)12模型。
在哪里εt是一系列IID高斯创新。
该模型包括从1到各自订单的所有连续AR和MA滞后。此外,SAR和SMA多项式的滞后是从12到其各自指定阶数乘以12的周期的连续倍数。因此,请使用滞后顺序选项卡以指定模型。
在季节性第节:
集程度的集成来1
.
集自回归序来2
.
集移动平均订单来1
.
在季节性第节:
集时期来12
.
集自回归序来2
。此输入指定包含SAR滞后12和24(即时期).
集移动平均订单来1
.该输入指定包含SMA滞后12(即值的前倍数时期).
选择包括季节性差异复选框。
验证模型方程节与您的模型匹配。
为了从模型中排除一个常数,并指定创新是高斯的,遵循前面的步骤,并清除包括常数项复选框。
指明t-分布式创新,按照前面的步骤,并单击创新分布按钮,然后选择t
.
再举一个例子,考虑这个Sarima(12,1,1)×(2,1,1)12模型。
该模型不包括连续的AR滞后,并且SAR多项式的滞后不是周期的连续倍数滞后向量选项卡以指定此模型:
在SARIMA模型参数对话框中,单击滞后向量标签。
在季节性第节:
集程度的集成来1
.
集自回归滞后来1) 12
.
集移动平均滞后来1
.
在季节性第节:
集季节性来12
.该应用程序包括一个12度季节积分多项式。
集自回归滞后来24
.此输入指定包含SAR滞后24。属性中的值与输入无关季节性盒
集移动平均滞后来12
.该输入指定包含SMA滞后12。属性中的值与输入无关季节性盒
验证模型方程节与您的模型匹配。
在指定模型之后,单击估计估计模型中的所有未知参数。