这个例子展示了如何用ARIMA预测回归模型错误,以及如何检查可预测性模型的鲁棒性。
加载信用违约数据集,分配响应(IGD
)y
和预测年龄
,论坛
,SPR
来X
。说明,指定系列的响应是一个回归模型AR(1)错误。为了避免分心这个例子的目的,假设所有预测系列是静止的。
负载Data_CreditDefaults:y =数据(5);X =数据(:,1 [3:4]);T =大小(X, 1);%样本大小Mdl = regARIMA (1,0,0);
验证不同样本大小(米
),预测的回应Mdl
递归。也就是说,对于每个验证样本大小:
适合的模型数据(EstMdlY
)。
预测估计模型的响应时(yF
)。
计算两个性能统计数据,均方根误差(RMSE)和根预测均方误差(RPMSE)。
m =叫;%验证样本长度rPMSE = m;% Preallocate rPMSErMSE = m;% Preallocate rMSE为k = 1:元素个数(m);是的= y (1: (t m (k)));%响应数据进行估计yVal = y (T m (k) + 1): T);%验证样本EstMdlY =估计(Mdl,是的,“X”,X,“显示”,“关闭”);yHat = EstMdlY。拦截+ X (1: (t m (k),:) * EstMdlY.Beta ';…%估计样本预测的值(e0,情况)=推断(EstMdlY,是的,“X”,X);yF =预测(EstMdlY, m (k),“Y0”是的,…“X0”X (1: t m (k):),“XF”X (T m (k) + 1): T:));…%验证样本预测值rMSE (k =√(平均((是的- yHat) ^ 2));rPMSE (k) =√意味着(yF - yVal) ^ 2));结束
rMSE
和rPMSE
是包含RMSE和RPMSE向量,分别为每个验证样本。
显示性能的措施。
流(' \ n m | rMSE | rPMSE \ n”)
m | rMSE | rPMSE
流(' = = = = = = = = = = = = = = = = = = = = \ n ')
= = = = = = = = = = = = = = = = = = = =
为k = 1:长度(m)流(' % 2 d | % 0.4 f | % 0.4 f \ n 'm (k), rMSE (k), rPMSE (k))结束
4 5 | 0.0947 | 0.2274 | 0.0808 | 0.1902 | 0.0810 | 0.2036 6 7 8 | 0.0714 | 0.1924 | 0.0809 | 0.1532 9 10 | 0.0899 | 0.1300 | 0.0720 | 0.1557
因为这个模型的预测能力是相当可靠rPMSE
变化略有增加米
。然而,rMSE
小于rPMSE
对所有米
。这意味着糟糕的预测能力。
通过指定寻找一个更好的模型,例如,更多的基于“增大化现实”技术或马滞后误差模型,这些模型和比较经前综合症。选择最低的模型PMSE对于一个给定的验证样本大小。