创建单变量自回归综合移动平均(ARIMA)模型
的华宇
函数返回一个华宇
对象指定功能形式和存储ARIMA的参数值(p,D,问)<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">线性时间序列模型对于单变量响应过程yt。
华宇
使您能够创建ARIMA模型,其中的变化:
自回归(AR(p)、移动平均线(MA(问)),或ARMA (p,问)模型。
一个包含乘法季节成分的模型(SARIMA(p,D,问)⨉(p<年代ub>年代,D<年代ub>年代,问<年代ub>年代)<年代ub>年代)。
将含有外源协变量(ARIMAX)的线性回归的组件模型。
复合条件均值和条件方差模型。例如,可以创建包含GARCH条件方差模型的ARMA条件均值模型(<一个href="//www.tatmou.com/it/it/help/econ/garch.html">garch
)。
的关键组成部分华宇
对象是多项式度(例如AR多项式度)p以及积分的程度D),因为他们完全指定模型结构。除非你指定其值给出多项式度,所有其它参数,如系数和创新型分布参数,是未知的,难能可贵。
若要估计包含未知参数值的模型,请将模型和数据传递给<一个href="//www.tatmou.com/it/it/help/econ/arima.estimate.html">估计
。为了估计有或完全指定工作华宇
对象,把它传递给一个<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">目标函数。
或者,您可以:
创建和使用工作华宇
通过使用交互式地建模对象<年代tr在g class="app">计量经济学建模师。
通过建立回归模型ARIMA误差模型扰动系列回归模型的序列相关性。有关详细信息,请参阅<一个href="//www.tatmou.com/it/it/help/econ/regarima-class.html">regARIMA
和<一个href="//www.tatmou.com/it/it/help/econ/convert-between-armax-and-regarima-models.html" class="a">替代ARIMA模型表示。
创建仅包含一个未知的常数,均值为0的一系列独立同分布的高斯创新和一个未知的方差的ARIMA(0,0,0)模型。MDL
=华宇
创建一个ARIMA(MDL
= arima (<一个href="//www.tatmou.com/it/help/econ/#mw_e831d764-ddaa-4780-b31f-43323cec4014" class="intrnllnk">p
,<一个href="//www.tatmou.com/it/help/econ/#mw_e92d243b-fbae-4167-93af-9073f343c0f3" class="intrnllnk">D
,<一个href="//www.tatmou.com/it/help/econ/#mw_5a7254cf-848d-423c-a729-edebdd66d000" class="intrnllnk">问
)p
,D
,问
通过)建模包含非季节性AR多项式滞后1p
, 度D
非季节积分多项式,从1到MA的非季节滞后多项式问
。
这种简写语法提供了一种创建模型模板的简单方法,您可以在其中显式地指定非季节性多项式的度数。该模型模板适用于无约束参数估计。创建模型之后,可以进行更改<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">财产使用点符号的值。
集<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">属性并使用名称 - 值对参数多项式滞后。在引号每个名字。例如,MDL
= arima (<一个href="//www.tatmou.com/it/help/econ/#namevaluepairarguments" class="intrnllnk">名称,值
)“ARLags”,[1 - 4],基于“增大化现实”技术,{0.5 - -0.1}
指定的值-0.5
和0.1
对于滞后时间的非季节性AR多项式系数1
和4
, 分别。
这种longhand语法允许您创建更灵活的模型。华宇
根据所设置的属性推断出所有多项式度数。因此,与多项式度数对应的属性值必须彼此一致。
简写语法为您提供了一种简单的方法来创建适合于无限制参数估计的非季节性ARIMA模型模板。例如,要创建一个包含未知系数和创新方差的ARMA(2,1)模型,输入:
Mdl = arima (0, 1);
p
- - - - - -<年代p一个n itemprop="purpose">非季节自回归多项式度非季节自回归多项式次,指定为一个非负整数。
数据类型:双
D
- - - - - -<年代p一个n itemprop="purpose">非季节性集成度非季节积分次数(非季节差分多项式的次数),指定为非负整数。D
设置属性<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">D。
数据类型:双
问
- - - - - -<年代p一个n itemprop="purpose">非季节性移动平均多项式度非季节移动平均多项式次数,指定为一个非负整数。
数据类型:双
指定可选的逗号分隔的对名称,值
参数。的名字
是参数的名称和价值
是对应的值。的名字
必须出现在引号内。可以按任意顺序指定多个名称和值对参数名1,值1,...,NameN,值N
。
longhand语法使您能够创建季节性模型或其中部分或全部系数已知的模型。在评估期间,估计
对任何已知参数施加相等约束。
“ARLags”,[1 - 4],基于“增大化现实”技术,{0.5 - -0.1}
指定非季节性AR多项式<年代p一个n class="inlineequation">
。
“ARLags”
- - - - - -<年代p一个n itemprop="purpose">滞后与非季节性AR多项式系数相关联1:元素个数(AR)
(默认)|<年代p一个n itemprop="inputvalue">独特的正整数数值向量与非季节AR多项式系数相关的滞后,具体为由“ARLags”
和一个唯一正整数的数字向量。最大滞后是p。
基于“增大化现实”技术的{
是滞后系数吗j
}ARLags(
。j
)
例子:'ARLags',[1〜4]
指定非季节性AR多项式<年代p一个n class="inlineequation">
数据类型:双
'MALags'
- - - - - -<年代p一个n itemprop="purpose">滞后与非季节性的MA多项式系数相关1:元素个数(MA)
(默认)|<年代p一个n itemprop="inputvalue">独特的正整数数值向量滞后与非季节性MA多项式系数相关联,指定为逗号分隔的一对组成的'MALags'
和一个唯一正整数的数字向量。最大滞后是问。
马{
是滞后系数吗j
}MALags (
。j
)
例子:MALags, 1:3
指定非季节性的MA多项式<年代p一个n class="inlineequation">
数据类型:双
“SARLags”
- - - - - -<年代p一个n itemprop="purpose">与季节AR多项式系数相关的滞后1:元素个数(SAR)
(默认)|<年代p一个n itemprop="inputvalue">独特的正整数数值向量滞后时间与季节AR多项式系数相关,具体为由“SARLags”
和一个唯一正整数的数字向量。最大滞后是p<年代ub>年代。
SAR {
是滞后系数吗j
}SARLags (
。j
)
指定SARLags
为观测数据的周期性,而不是作为的倍数季节性
财产。这个约定不符合标准的Box和Jenkins<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">[1]符号,但它是用于将乘法季节更加灵活。
例子:'SARLags',[4 8]
指定季节AR多项式<年代p一个n class="inlineequation">
数据类型:双
'SMALags'
- - - - - -<年代p一个n itemprop="purpose">与季节MA多项式系数相关的滞后1:元素个数(SMA)
(默认)|<年代p一个n itemprop="inputvalue">独特的正整数数值向量滞后与季节性MA多项式系数相关联,指定为逗号分隔的一对组成的'SMALags'
和一个唯一正整数的数字向量。最大滞后是问<年代ub>年代。
SMA {
是滞后系数吗j
}SMALags (
。j
)
指定SMALags
为观测数据的周期性,而不是作为的倍数季节性
财产。这个约定不符合标准的Box和Jenkins<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">[1]符号,但它是用于将乘法季节更加灵活。
例子:'SMALags',4
指定季节的MA多项式<年代p一个n class="inlineequation">
数据类型:双
多项式的次数是不可估计的。如果你没有指定一个多项式次,或者华宇
不能从其他规范中推断出来,华宇
模型中不包括多项式。
您可以在使用名称-值对参数语法创建模型对象时设置可写属性值,或者在使用点符号创建模型对象后设置可写属性值。例如,创建一个完全指定的ARMA(2,1)模型,输入:
Mdl = arima(“常数”,基于“增大化现实”技术,{0.3 - -0.15},“马”,0.2);Mdl.Variance = 1;
南
值属性表示可估计的参数。数值属性表示模型估计过程中参数的等式约束。系数向量可以包含数值和南
-valued元素。
您可以指定多项式系数在任何方向向量,但华宇
它们存储为行向量。
P
- - - - - -<年代p一个n itemprop="purpose">复AR多项式次此属性是只读的。
化合物AR多项式度,指定为一个非负整数。
P
并不一定符合标准箱和詹金斯符号<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">[1]因为P
捕获度非季节性和季节性AR多项式(属性基于“增大化现实”技术
和SAR
,分别),非季节性集成(财产D
),以及季节性(性质)季节性
)。明确地,P
=p+D+p<年代ub>年代+年代。P
对于没有集成或季节性AR组件的模型,符合Box和Jenkins表示法。
P
指定滞后观察次数需要初始化模型的AR部件。
数据类型:双
问
- - - - - -<年代p一个n itemprop="purpose">复合MA多项式次此属性是只读的。
复合多项式次数,指定为非负整数。
问
并不一定符合标准箱和詹金斯符号<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">[1]因为问
获取非季节性和季节性MA多项式的次数(属性)马
和SMA
分别)。明确地,问
=问+问<年代ub>年代。问
符合Box和Jenkins表示法,适用于没有季节性MA成分的模型。
问
指定初始化模型的MA组件所需的滞后创新的数量。
数据类型:双
描述
- - - - - -<年代p一个n itemprop="purpose">型号说明模型描述,指定为字符串标量或字符向量。华宇
将该值存储为字符串标量。例如,默认值描述模型的参数形式“ARIMAX(1,1,1)模型(高斯分布)”
。
例子:“模式1”
数据类型:串
|烧焦
分布
- - - - - -<年代p一个n itemprop="purpose">创新过程的条件概率分布“高斯”
(默认)|<年代p一个n itemprop="inputvalue">“t”
|<年代p一个n itemprop="inputvalue">结构数组创新过程的条件概率分布,指定为字符串或结构数组。华宇
将值存储为结构数组。
分布 | 字符串 | 结构数组 |
---|---|---|
高斯 | “高斯” |
结构(“名字”,“高斯”) |
学生们t | “t” |
结构(“名字”,“t”,景深,景深) |
的“景深”
字段指定t分布自由度参数。
自由度
> 2或自由度
=南
。
自由度
是难能可贵的。
如果您指定“t”
,自由度
是南
默认情况下。在创建模型之后,可以使用点符号更改它的值。例如,Mdl.Distribution。景深= 3
。
如果您提供一个结构数组来指定学生的t分布,则必须同时指定“名字”
和“景深”
领域。
例子:结构(“名字”,“t”、“景深”,10)
常数
- - - - - -<年代p一个n itemprop="purpose">型号不变南
(默认)|<年代p一个n itemprop="inputvalue">数字标模型常数,指定为数值标量。
例子:1
数据类型:双
基于“增大化现实”技术
- - - - - -<年代p一个n itemprop="purpose">非季节性AR多项式系数非季节性AR多项式系数,指定为细胞载体。单元格包含数字标量或南
值。一个完全指定的非季节性AR多项式必须是稳定的。
系数符号对应于用微分方程符号表示的模型。例如,对于非季节性AR多项式<年代p一个n class="inlineequation">
指定基于“增大化现实”技术,{0.5 - -0.1}
。
如果使用缩写语法指定p
> 0,基于“增大化现实”技术的{
的值j
}南
并且它是滞后的系数
,j
= 1,...,j
p
。
如果设置了<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">“ARLags”
名称-值对参数ARLags
,须符合下列条件。
的长度基于“增大化现实”技术
和ARLags
必须是相等的。
基于“增大化现实”技术的{
是滞后系数吗j
}ARLags(
, 对所有人j
)
在j
ARLags
。
默认情况下,基于“增大化现实”技术的{
=j
}南
对所有人
在j
ARLags
。
否则,基于“增大化现实”技术
是空的,该模型不包含非季节性AR多项式。
在系数基于“增大化现实”技术
对应于系数的底层<一个href="//www.tatmou.com/it/it/help/econ/lagop-class.html">LagOp
滞后算子多项式,并进行了近零容差排除试验。如果你把系数设为1 e-12
或以下,华宇
排除了该系数及其相应的滞后项ARLags
从模型。
例子:{0.8}
例子:{南-0.1}
数据类型:细胞
SAR
- - - - - -<年代p一个n itemprop="purpose">季节AR多项式系数季节AR多项式系数,指定为细胞向量。单元格包含数字标量或南
值。一个完全指定的季节AR多项式必须是稳定的。
系数符号对应于用微分方程符号表示的模型。例如,对于季节性AR多项式<年代p一个n class="inlineequation">
指定“特区”,{0.5 - -0.1}
。
如果设置了<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">“SARLags”
名称-值对参数SARLags
,须符合下列条件。
的长度SAR
和SARLags
必须是相等的。
SAR {
是滞后系数吗j
}SARLags (
, 对所有人j
)
在j
SARLags
。
默认情况下,SAR {
=j
}南
对所有人
在j
SARLags
。
否则,SAR
是空的,该模型不包含季节性AR多项式。
在系数SAR
对应于系数的底层<一个href="//www.tatmou.com/it/it/help/econ/lagop-class.html">LagOp
滞后算子多项式,并进行了近零容差排除试验。如果你把系数设为1 e-12
或以下,华宇
排除了该系数及其相应的滞后项SARLags
从模型。
例子:{0.2 - 0.1}
例子:{NaN 0 0 NaN}
数据类型:细胞
马
- - - - - -<年代p一个n itemprop="purpose">非季节性MA多项式系数非季节性的MA多项式系数,指定为细胞向量。单元格包含数字标量或南
值。一个完全指定的非季节的MA多项式必须是可逆的。
如果使用缩写语法指定问
> 0,马{
有价值的j
}南
并且它是滞后的系数
,j
= 1,...,j
问
。
如果设置了<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">'MALags'
名称-值对参数MALags
,须符合下列条件。
的长度马
和MALags
必须是相等的。
马{
是滞后系数吗j
}MALags (
, 对所有人j
)
在j
MALags
。
默认情况下,马{
=j
}南
对所有人
在j
MALags
。
否则,马
是空的,该模型不包含非季节性MA多项式。
在系数马
对应于系数的底层<一个href="//www.tatmou.com/it/it/help/econ/lagop-class.html">LagOp
滞后算子多项式,并进行了近零容差排除试验。如果你把系数设为1 e-12
或以下,华宇
排除了该系数及其相应的滞后项MALags
从模型。
例子:0.8
例子:{南-0.1}
数据类型:细胞
SMA
- - - - - -<年代p一个n itemprop="purpose">季节MA多项式系数季节性MA多项式系数,指定为细胞载体。单元格包含数字标量或南
值。一个完全指定的季节MA多项式必须是可逆的。
如果设置了<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">'SMALags'
名称-值对参数SMALags
,须符合下列条件。
的长度SMA
和SMALags
必须是相等的。
SMA {
是滞后系数吗j
}SMALags (
, 对所有人j
)
在j
SMALags
。
默认情况下,SMA {
=j
}南
对所有人
在j
SMALags
。
否则,SMA
是空的,并且该模型不包含一个季节性的MA多项式。
在系数SMA
对应于系数的底层<一个href="//www.tatmou.com/it/it/help/econ/lagop-class.html">LagOp
滞后算子多项式,并进行了近零容差排除试验。如果你把系数设为1 e-12
或以下,华宇
排除了该系数及其相应的滞后项SMALags
从模型。
例子:{0.2 - 0.1}
例子:{NaN 0 0 NaN}
数据类型:细胞
D
- - - - - -<年代p一个n itemprop="purpose">非季节性集成度0
(默认)|<年代p一个n itemprop="inputvalue">非负整数非季节性的整合,或者非季节性差分多项式的程度,指定为一个非负整数度。
例子:1
数据类型:双
季节性
- - - - - -<年代p一个n itemprop="purpose">季节差分次数多项式0
(默认)|<年代p一个n itemprop="inputvalue">非负整数季节性差分多项式的次数年代,指定为非负整数。
例子:12
指定每月周期性。
数据类型:双
β
- - - - - -<年代p一个n itemprop="purpose">回归组件系数条件均值的回归分量系数,指定为数值向量。
如果你打算估算所有的元素β
,你不需要指定它。在评估期间,估计
推断的大小β
指定的外生数据的列数X
。
例子:(0.5南3)
数据类型:双
方差
- - - - - -<年代p一个n itemprop="purpose">模式创新方差南
(默认)|<年代p一个n itemprop="inputvalue">正标量|<年代p一个n itemprop="inputvalue">金宝app支持条件方差模型对象模式创新方差,指定为正标量或负载条件方差模型对象(例如,金宝app<一个href="//www.tatmou.com/it/it/help/econ/garch.html">garch
)。有关所有受支持的金宝app条件方差模型,请参阅<一个href="//www.tatmou.com/it/it/help/econ/conditional-variance-models.html" class="a">条件方差模型。
正标量或南
指定一个同方差模型。条件方差模型对象指定一个复合条件均值和方差模型。估计
适用于组合中所有未知的、可估计的参数。
例子:1
例子:GARCH(1,0)
数据类型:双
使用以下命令创建一个默认的ARIMA模型华宇
。
Mdl = arima
描述:“arima(0,0,0)模型(高斯分布)”分布: Name = "Gaussian" P: 0 D: 0 Q: 0 Constant: NaN AR: {} SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
MDL
是一个华宇
宾语。该模型的属性出现在命令行。
默认的模型
,
在哪里<年代p一个n class="inlineequation"> 是一个未知的常数和<年代p一个n class="inlineequation"> 一系列iid高斯随机变量的均值和方差是0吗<年代p一个n class="inlineequation"> 。
MDL
是用于估计的模型模板。可以使用点符号修改属性值,也可以使用估计
,但你不能通过MDL
到任何其他对象的功能。
创建ARIMA(2,1,1)模型,表示为:
在哪里<年代p一个n class="inlineequation"> 是一系列iid高斯随机变量。使用longhand语法来指定用微分方程符号表示的方程中的参数值:
MDL = ARIMA(<年代p一个n style="color:#A020F0">“ARLags”,2,<年代p一个n style="color:#A020F0">基于“增大化现实”技术的,-0.5,<年代p一个n style="color:#A020F0">'d'1,<年代p一个n style="color:#A020F0">'嘛',-0.2,<年代p一个n style="color:#0000FF">...“不变”,3.1)
描述:“arima(2,1,1)模型(高斯分布)”分布: Name = "Gaussian" P: 3 D: 1 Q: 1 Constant: 3.1 AR: {-0.5} at lag [2] SAR: {} MA: {-0.2} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
MDL
是完全指定的华宇
对象,因为它的所有参数都是已知的。你可以通过MDL
去任何华宇
除了对象功能估计
。以该模型为例,绘制24周期的脉冲响应函数冲动
。
冲动(Mdl, 24)
建立AR(1)模型,表示为:
在哪里<年代p一个n class="inlineequation">
是一系列均值为0,方差为0.5的iid高斯随机变量。使用简写语法指定AR(1)模型模板,然后使用点符号设置常数
和方差
属性。
MDL = ARIMA(1,0,0);Mdl.Constant = 1;Mdl.Variance = 0.5;MDL
MDL = ARIMA模型属性:描述: “ARIMA(1,0,0)模型(高斯分布)” 分布:名称= “高斯” P:1 d:0问:0常数:1 AR:{}的NaN在滞后[1] SAR:{} MA:{} SMA:{}季节性:0贝塔:[1×0]方差:0.5
MDL
被部分指明的华宇
宾语。您可以通过使用点符号修改属性值或适应未知系数<年代p一个n class="inlineequation">
使用估计
,但你不能通过MDL
到任何其他对象的功能。
创建ARIMA(3,1,2)模型,表示为:
,
在哪里<年代p一个n class="inlineequation"> 一系列iid高斯随机变量的均值和方差是0吗<年代p一个n class="inlineequation"> 。
由于模型只包含非季节性多项式,使用简写的语法。
Mdl = arima (1、2)
描述:“arima(3,1,2)模型(高斯分布)”分布: Name = "Gaussian" P: 4 D: 1 Q: 2 Constant: NaN AR: {NaN NaN NaN} at lags [1 2 3] SAR: {} MA: {NaN NaN} at lags [1 2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
房地产P
等于<年代p一个n class="inlineequation">
+<年代p一个n class="inlineequation">
=4
。南
-valued元素指示估计的参数。
若要包括附加的季节滞后,请指定与适当的周期性相匹配的滞后。例如,建立如下式所示的加性月平均MA(12)模型:
在哪里<年代p一个n class="inlineequation"> 一系列iid高斯随机变量的均值和方差是0吗<年代p一个n class="inlineequation"> 。
MDL = ARIMA(<年代p一个n style="color:#A020F0">“不变”,0,<年代p一个n style="color:#A020F0">'MALags'[112])
描述:“arima(0,0,12)模型(高斯分布)”分布: Name = "Gaussian" P: 0 D: 0 Q: 12 Constant: 0 AR: {} SAR: {} MA: {NaN NaN} at lags [1 12] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
创建SARIMA<年代p一个n class="inlineequation"> 模型(乘性的,月度MA模型模板,具有一定程度的季节和非季节积分)表示为:
在哪里<年代p一个n class="inlineequation"> 一系列iid高斯随机变量的均值和方差是0吗<年代p一个n class="inlineequation"> 。
MDL = ARIMA(<年代p一个n style="color:#A020F0">“不变”,0,<年代p一个n style="color:#A020F0">'d'1,<年代p一个n style="color:#A020F0">“季节性”12<年代p一个n style="color:#0000FF">...'MALags'1,<年代p一个n style="color:#A020F0">'SMALags',12)
描述:“arima(0,1,1)模型与季节性MA(12)(高斯分布)进行季节性整合”分布: Name = "Gaussian" P: 13 D: 1 Q: 13 Constant: 0 AR: {} SAR: {} MA: {NaN} at lag [1] SMA: {NaN} at lag [12] Seasonality: 12 Beta: [1×0] Variance: NaN
创建(3)模型表示由该方程的AR:
在哪里<年代p一个n class="inlineequation"> 是均值为0,方差为0.01的一系列独立同分布的高斯随机变量。
MDL = ARIMA(<年代p一个n style="color:#A020F0">“不变”,0.05,<年代p一个n style="color:#A020F0">基于“增大化现实”技术的{0.6,0.2,-0.1}<年代p一个n style="color:#A020F0">'方差',0.01)
描述:“arima(3,0,0)模型(高斯分布)”分布: Name = "Gaussian" P: 3 D: 0 Q: 0 Constant: 0.05 AR: {0.6 0.2 -0.1} at lags [1 2 3] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.01
在滞后系数为2的地方加上一个非季节性的MA项0.2
。然后,显示马
财产。
Mdl.MA={00.2}
描述:“arima(3,0,2)模型(高斯分布)”分布: Name = "Gaussian" P: 3 D: 0 Q: 2 Constant: 0.05 AR: {0.6 0.2 -0.1} at lags [1 2 3] SAR: {} MA: {0.2} at lag [2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.01
Mdl.MA
ANS =<年代p一个n class="emphasis">1×2单元阵列{[0]} {[0.2000]}
在该模型中显示,滞后
表示与相应系数相关的滞后。虽然MATLAB®从显示中删除了零值系数,但存储系数的属性保留了它们。
将模型常量更改为1
。
Mdl。Constant = 1
描述:“arima(3,0,2)模型(高斯分布)”分布: Name = "Gaussian" P: 3 D: 0 Q: 2 Constant: 1 AR: {0.6 0.2 -0.1} at lags [1 2 3] SAR: {} MA: {0.2} at lag [2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.01
创建一个AR(1)模型模板,并指定IID<年代p一个n class="inlineequation"> -自由度未知的分布式创新。使用longhand语法。
MDL = ARIMA(<年代p一个n style="color:#A020F0">“ARLags”1,<年代p一个n style="color:#A020F0">“分布”,<年代p一个n style="color:#A020F0">“t”)
描述:“arima(1,0,0)模型(t分布)”分布: Name = "t", DoF = NaN P: 1 D: 0 Q: 0 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
自由度自由度
是南
,表明自由度是可估计的。
创建完全指定的AR(1)模型,表示如下:
在哪里<年代p一个n class="inlineequation"> 是iid级数吗<年代p一个n class="inlineequation"> - 分布式随机变量与10个自由度。使用longhand语法。
innovdist =结构(<年代p一个n style="color:#A020F0">“名字”,<年代p一个n style="color:#A020F0">“t”,<年代p一个n style="color:#A020F0">“景深”,10);MDL = ARIMA(<年代p一个n style="color:#A020F0">“不变”,0,<年代p一个n style="color:#A020F0">基于“增大化现实”技术的{0.6},<年代p一个n style="color:#0000FF">...“分布”,innovdist)
MDL = ARIMA模型属性:描述: “ARIMA(1,0,0)模型(t分布)” 分布:名称= “T”,自由度= 10,P:1 d:0问:0常数:0 AR:{0.6在}滞后[1] SAR:{} MA:{} SMA:{}季节性:0贝塔:[1×0]方差:NaN的
创建包含ARCH(1)条件方差模型的ARMA(1,1)条件均值模型,条件方差模型由以下方程表示:
通过使用语法速记创建ARMA(1,1)条件均值模型模板。
Mdl = arima (1,0, - 1)
MDL = ARIMA模型属性:描述: “ARIMA(1,0,1)模型(高斯分布)” 分布:名称= “高斯” P:1 d:0问:1常数:NaN的AR:{}的NaN在滞后[1] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
的方差
财产MDL
是南
的,这意味着该模型方差是一个未知的常数。
使用的语法速记创建ARCH(1)条件方差模型模板garch
。
CondVarMdl = garch (0,1)
描述:“garch(0,1)条件方差模型(高斯分布)”分布: Name = "Gaussian" P: 0 Q: 1 Constant: NaN GARCH: {} ARCH: {NaN} at lag [1] Offset: 0
通过设置。来创建复合条件均值和方差模型模板方差
财产MDL
来CondVarMdl
使用点符号。
Mdl.Variance = CondVarMdl
MDL = ARIMA模型属性:描述: “ARIMA(1,0,1)模型(高斯分布)” 分布:名称= “高斯” P:1 d:0问:1常数:NaN的AR:{}的NaN在滞后[1] SAR:{} MA:{}的NaN在滞后[1] SMA:{}季节性:0贝塔:[1×0]方差:[GARCH(0,1)模型]
所有南
条件均值和方差模型的-值性质是可估计的。
创建用于预测基于在雇员支付薪酬的变化,在美国个人消费支出变化的ARMAX(1,2)模型。
加载美国宏观经济数据集。
加载<年代p一个n style="color:#A020F0">Data_USEconModel
数据表
是含有季宏观测量从1947年MATLAB®时间表:Q1至2009:Q1。PCEC
是个人消费支出系列,和COE
是员工的薪酬系列。两个变量都在级别中。有关数据的更多细节,请输入描述
在命令行。
这个级数是非平稳的。为了避免虚假的回归,使用下面的方法将级别转换为返回值来稳定变量price2ret
。计算样本大小。
pcecret = price2ret(DataTable.PCEC);coeret = price2ret(DataTable.COE);T = numel(pcecret);
因为从水平到回报的转换涉及到应用第一个差异,所以转换通过一个观察减少了总样本量。
使用简化语法创建ARMA(1,2)模型模板。
MDL = ARIMA(1,0,2);
在估计过程中,外生组件进入模型。因此,不需要设置β
财产MDL
到南
这估计
使用其他参数将模型与数据匹配。
ARMA(1,2)进程初始化需要Mdl.P
= 1的观察。因此,preample period是数据中的第一个时间点(第一行),而estimate sample是数据的其余部分。指定变量来标识预采样期和估计期。
idxpre = Mdl.P;idx = (Mdl。P + 1): T;
将模型与数据相匹配。属性指定presample“Y0”
参数,并使用“X”
名称-值对的论点。
EstMdl =估计(MDL,pcecret(idxest),<年代p一个n style="color:#A020F0">“Y0”pcecret (idxpre),<年代p一个n style="color:#0000FF">...“X”coeret (idx));
ARIMAX(1,0,2)模型(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ __________常数0.0091866 0.001269 7.239 4.5202e-13 AR {1} -0.13506 0.081986 -1.6474 0.099478 MA {1} -0.090445 0.082052 -1.1023 0.27033MA {2} 0.29671 0.064589 4.5939 4.3505e-06β(1)0.5831 0.048884 11.928 8.4529e-33方差5.305e-05 3.1387e-06 4.3579e 16.902-64
所有的估计,除了滞后1 MA系数,是显著在0.1的水平。
显示EstMdl
。
EstMdl
描述:“ARIMAX(1,0,2)模型(高斯分布)”分布: Name = "Gaussian" P: 1 D: 0 Q: 2 Constant: 0.00918662 AR: {-0.135063} at lag [1] SAR: {} MA: {-0.0904454 0.296714} at lags [1 2] SMA: {} Seasonality: 0 Beta: [0.583095] Variance: 5.30503e-05
喜欢MDL
,EstMdl
是一个华宇
表示ARMA(1,2)流程的模型对象。不像MDL
,EstMdl
完全指定的,因为它是适合的数据,EstMdl
含有外源成分,因此它是一个ARMAX(1,2)模式。
创建华宇
随机游动的模型对象表示为:
在哪里<年代p一个n class="inlineequation"> 是均值为0,方差为1的一系列独立同分布的高斯随机变量。
MDL = ARIMA(0,1,0);Mdl.Constant = 0;Mdl.Variance = 1;MDL
描述:“arima(0,1,0)模型(高斯分布)”分布: Name = "Gaussian" P: 1 D: 1 Q: 0 Constant: 0 AR: {} SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: 1
MDL
是完全指定的华宇
模型对象。
模拟和曲线图1000条从随机游动长度100的路径。
rng (1)<年代p一个n style="color:#228B22">%用于重现Y =模拟(MDL,100,<年代p一个n style="color:#A020F0">“NumPaths”,1000);图(Y)标题(<年代p一个n style="color:#A020F0">“随机行走过程的模拟路径”)
预测纳斯达克每日收盘价在500天的范围内。
加载美国股指数据集。
加载<年代p一个n style="color:#A020F0">Data_EquityIdx
该数据集包含从1990年到2001年。有关详细信息每天纳斯达克的收盘价,进入描述
在命令行。
假设ARIMA(1,1,1)模型适用于描述第一个1500个纳斯达克收盘价。创建一个ARIMA(1,1,1)模型模板。
Mdl = arima (1, 1, 1);
估计
需要大小的样品前Mdl.P
= 2。
将模型与数据相匹配。指定前两个观察值作为预样本。
idxpre = 1: Mdl.P;idx = (Mdl。P + 1): 1500;EstMdl =估计(Mdl DataTable.NASDAQ (idx),<年代p一个n style="color:#0000FF">...“Y0”DataTable.NASDAQ (idxpre));
ARIMA(1,1,1)模型(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ __________常数0.43291 0.18607 2.3265 0.01999 AR {1} -0.076322 0.082045 -0.93024 0.35225 MA {1} 0.31312 0.077284 4.0515 5.0882e-05 27.86方差0.63785 43.678 0
通过将估计模型传递到预测
。要初始化的预测模型,指定估算数据作为样品前的最后两点意见。
yf0 =数据表。NASDAQ(idxest(end - 1:end)); yf = forecast(EstMdl,500,yf0);
绘制2000年第一次观测和预测。
日期= datetime(日期,<年代p一个n style="color:#A020F0">“ConvertFrom”,<年代p一个n style="color:#A020F0">“datenum”,<年代p一个n style="color:#0000FF">...'格式',<年代p一个n style="color:#A020F0">“YYYY-MM-DD”);图h1 = plot(日期(1:2000),DataTable.NASDAQ(1:2000));持有<年代p一个n style="color:#A020F0">在H2 =图(日期(1501:2000),YF,<年代p一个n style="color:#A020F0">“r”);图例([H1 H2],<年代p一个n style="color:#A020F0">“观察”,<年代p一个n style="color:#A020F0">“预测”,<年代p一个n style="color:#0000FF">...“位置”,<年代p一个n style="color:#A020F0">“西北”)标题(<年代p一个n style="color:#A020F0">"纳斯达克综合指数:1990-01-02 - 1997-11-25")包含(<年代p一个n style="color:#A020F0">“时间(天)”)ylabel (<年代p一个n style="color:#A020F0">“收盘价”)举行<年代p一个n style="color:#A020F0">从
1995年开始后,该模型的预测几乎总是低估了真正的收盘价。
滞后算子l被定义为<年代p一个n class="inlineequation"> 滞后运营商凝结多项式符号。
响应过程的线性时间序列模型y<年代ub>t和随机的创新ε<年代ub>t是一个<一个href="//www.tatmou.com/it/it/help/econ/stationary-stochastic-process.html" class="a">随机过程其中,当前响应是先前响应、当前和先前创新以及外生协变量的线性函数x<年代ub>t。在差分方程表示法,线性时间序列模型的一般形式是:
特定w和v,所有系数都是可估计的。
表达<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">滞后算子表示法,一般模型形式为:
模型中的滞后算子多项式常表示为非季节和乘法季节效应多项式与积分的乘积:下载188bet金宝搏
模型组件 | 描述 | 华宇 财产 |
---|---|---|
一个p-次数稳定的非季节性AR多项式。 |
|
|
D | 非季节性集成度 | D |
一个p<年代ub>年代-degree稳定,乘季节性AR多项式。 |
|
|
年代 | 季节性,或季节差异多项式的程度 |
|
D<年代ub>年代 | 季节整合度 | 没有对应的属性,但是:
|
c | 型号不变 | 常数 |
β | 外生协变量的回归系数 | β |
一个问-次数可逆的非季节性MA多项式。 |
马 存储系数;指数对应于滞后指数。 |
|
一个问<年代ub>年代-degree可逆的,乘积季节MA多项式。 |
SMA 存储系数;指数对应于滞后指数。 |
|
ε<年代ub>t | 随机IID创新系列 | 分布 存储版本的名称和任何参数。 |
模型属性P
等于p+D+p<年代ub>年代+年代。
模型属性问
等于问+问<年代ub>年代。
在季节性多项式Φ(度滞后运营商l)和Θ(l)不符合由方块和詹金斯定义的度<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">[1]。换句话说,计量经济学工具箱并不适用p1=年代,p2= 2年代、……p<年代ub>年代=r<年代ub>p年代和问1=年代,问2= 2年代、……问<年代ub>年代=r<年代ub>问年代在哪里r<年代ub>p和r<年代ub>问是正整数。该软件是灵活,让您指定的滞后算度。看到<一个href="//www.tatmou.com/it/it/help/econ/specify-seasonal-arima-models.html" class="a">乘法ARIMA模型规范。
一个随机过程y<年代ub>t是静止的如果它的预期值,方差,和串联的元件之间的协方差是与时间无关。
例如,MA(问)模型,用c = 0,对于任何都是静止的<年代p一个n class="inlineequation"> 因为下面的每一个都是免费的t所有时间点<一个href="//www.tatmou.com/it/it/help/econ/arima.html" class="intrnllnk">[1]。
时间序列<年代p一个n class="inlineequation"> 如果其期望值、方差或协方差随时间增长,则为单位根进程。因此,时间序列是非平稳的。
[1]<年代p一个n>盒,G. E. P.,G. M.詹金斯,和G. C.赖因泽尔。时间序列分析:预测与控制。《恩格尔伍德悬崖》,新泽西:普伦蒂斯霍尔出版社,1994年版。
你点击了一个链接,对应于这个MATLAB命令:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。金宝app
选择一个网站来获取可用的翻译内容,并查看本地事件和报价。根据你的位置,我们建议你选择:<年代tr在g class="recommended-country">。
选择<年代p一个n class="recommended-country">网站你也可以从以下列表中选择一个网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。