主要内容

华宇电脑

转换回归模型与ARIMA ARIMAX模型错误

所有的页面崩溃

语法

ARIMAXMdl = arima (Mdl)
[ARIMAXMdl, XNew] = arima (Mdl X = X)

描述

的华宇电脑目标函数将指定的回归模型与ARIMA错误(<一个href="//www.tatmou.com/it/help/econ/regarima-class.html">regARIMA模型对象)相当于ARIMAX模型(华宇电脑模型对象)。创建一个ARIMAX模型直接看到<一个href="//www.tatmou.com/it/help/econ/arima.html">华宇电脑函数。

例子

ARIMAXMdl= arima (<一个href="//www.tatmou.com/it/help/econ/#mw_a44a334c-422d-4236-8d78-9ad290829974" class="intrnllnk">Mdl)返回指定的完全<一个href="//www.tatmou.com/it/help/econ/arima.html">华宇电脑模型对象ARIMAXMdl,ARIMAX模型表示输入的回归模型与ARIMA时间序列错误Mdl,一个完全指定<一个href="//www.tatmou.com/it/help/econ/regarima-class.html">regARIMA模型对象。

例子

(<一个href="//www.tatmou.com/it/help/econ/#mw_261c04fb-774d-4066-838c-ae8bfa87ecdf" class="intrnllnk">ARIMAXMdl,<一个href="//www.tatmou.com/it/help/econ/#mw_6dea9ba8-28be-4a22-a0ea-efe3c4da36c4" class="intrnllnk">XNew)= arima (<一个href="//www.tatmou.com/it/help/econ/#mw_a44a334c-422d-4236-8d78-9ad290829974" class="intrnllnk">MdlX =<一个href="//www.tatmou.com/it/help/econ/#mw_f6140183-6527-40d7-9ba9-29c918d7b44e" class="intrnllnk">X)指定预测数据X回归组件的输入的回归模型与ARIMA错误,并返回转换后的预测数据XNew为输出ARIMAX模型。

例子

全部折叠

打开生活的脚本

转换一个回归模型和ARMA(4,1)错误ARIMAX模型使用华宇电脑转换器。

指定回归模型和ARMA(4,1)错误:

y t = 1 + 0 。 5 X t + u t u t = 0 。 8 u t - - - - - - 1 - - - - - - 0 。 4 u t - - - - - - 4 + ε t + 0 。 3 ε t - - - - - - 1 ,

在哪里<年代p一个n class="inlineequation"> ε t 是高斯平均值为0,方差为1。

Mdl = regARIMA (AR = {0.8 - -0.4}, ARLags =(1 - 4),马= 0.3,<年代p一个n style="color:#0000FF">…拦截= 1,β= 0.5,方差= 1)
Mdl = regARIMA属性:描述:“回归ARMA(4,1)误差模型(高斯分布)”D是tribution: Name = "Gaussian" Intercept: 1 Beta: [0.5] P: 4 Q: 1 AR: {0.8 -0.4} at lags [1 4] SAR: {} MA: {0.3} at lag [1] SMA: {} Variance: 1

你可以确认自回归滞后的术语1和4在基于“增大化现实”技术行。

生成随机预测数据。

rng (1);<年代p一个n style="color:#228B22">%的再现性T = 20;Pred = randn (T, 1);

转换Mdl为ARIMAX模式。提供随机的一组预测数据Pred为Mdl并返回转换模型的预测数据。

[ARIMAXMdl, XNew] = arima (Mdl X = Pred);ARIMAXMdl
ARIMAXMdl = arima与属性:描述:“ARIMAX(4 0,1)模型(高斯分布)”D是tribution: Name = "Gaussian" P: 4 D: 0 Q: 1 Constant: 0.6 AR: {0.8 -0.4} at lags [1 4] SAR: {} MA: {0.3} at lag [1] SMA: {} Seasonality: 0 Beta: [1 -0.8 0.4] Variance: 1

输出华宇电脑模型ARIMAXMdl是

y t = 0 。 6 + Z t Γ + 0 。 8 y t - - - - - - 1 - - - - - - 0 。 4 y t - - - - - - 4 + ε t + 0 。 3 ε t - - - - - - 1 ,

在哪里

Z t Γ = ( 0 。 5 x 1 N 一个 N N 一个 N 0 。 5 x 2 0 。 5 x 1 N 一个 N 0 。 5 x 3 0 。 5 x 2 N 一个 N 0 。 5 x 4 0 。 5 x 3 N 一个 N 0 。 5 x 5 0 。 5 x 4 0 。 5 x 1 ⋮ ⋮ ⋮ 0 。 5 T 0 。 5 x T - - - - - - 1 0 。 5 x T - - - - - - 4 ] ( 1 - - - - - - 0 。 8 0 。 4 ]

和<年代p一个n class="inlineequation"> x j 是行<年代p一个n class="emphasis">j的Pred。因为自回归和集成多项式的乘积<年代p一个n class="inlineequation"> ϕ ( l ) = ( 1 - - - - - - 0 。 8 l + 0 。 4 l 4 ) , ARIMAX.Beta是(1;-0.8;0.4)。注意,软件自回归和移动平均系数从Mdl来ARIMAX。同时,Mdl.Intercept= 1,ARIMAX.Constant=(1 - 0.8 + 0.4)= 0.6(1),即,regARIMA拦截和模型华宇电脑模型常数通常是不平等的。

打开生活的脚本

转换一个回归模型季节性ARIMA ARIMAX模型使用错误华宇电脑转换器。

指定的回归模型<年代p一个n class="inlineequation"> 一个 R 我 米 一个 ( 2 , 1 , 1 ) × ( 1 , 1 , 0 ) 2 错误:

y t = X t ( - - - - - - 2 1 ] + u t ( 1 - - - - - - 0 。 3 l + 0 。 1 5 l 2 ) ( 1 - - - - - - l ) ( 1 - - - - - - 0 。 2 l 2 ) ( 1 - - - - - - l 2 ) u t = ( 1 + 0 。 1 l ) ε t ,

在哪里<年代p一个n class="inlineequation"> ε t 是高斯平均值为0,方差为1。

Mdl = regARIMA (AR ={0.3, -0.15},马= 0.1,ARLags = (1 - 2),<年代p一个n style="color:#0000FF">…SAR = 0.2, SARLags = 2,季节性= 2,D = 1,<年代p一个n style="color:#0000FF">…拦截= 0,β= [2;1)、方差= 1)
Mdl = regARIMA属性:描述:“回归ARIMA(2, 1, 1)误差模型季节性结合季节性AR(2)(高斯分布)”D是tribution: Name = "Gaussian" Intercept: 0 Beta: [-2 1] P: 7 D: 1 Q: 1 AR: {0.3 -0.15} at lags [1 2] SAR: {0.2} at lag [2] MA: {0.1} at lag [1] SMA: {} Seasonality: 2 Variance: 1

生成预测数据。

rng (1);<年代p一个n style="color:#228B22">%的再现性T = 20;Pred = randn (T, 2);

转换Mdl为ARIMAX模式。提供随机的一组预测数据Pred为Mdl并返回转换模型的预测数据。

[ARIMAX, XNew] = arima (Mdl X = Pred);ARIMAX
ARIMAX = arima与属性:描述:“ARIMAX(2, 1, 1)模型季节性结合季节性AR(2)(高斯分布)”D是tribution: Name = "Gaussian" P: 7 D: 1 Q: 1 Constant: 0 AR: {0.3 -0.15} at lags [1 2] SAR: {0.2} at lag [2] MA: {0.1} at lag [1] SMA: {} Seasonality: 2 Beta: [1 -1.3 -0.75 1.41 -0.34 -0.08 0.09 -0.03] Variance: 1

Mdl.Beta长度为2,但ARIMAX.Beta长度为8。这是因为自回归和集成多项式的乘积,<年代p一个n class="inlineequation"> ϕ ( l ) ( 1 - - - - - - l ) Φ ( l ) ( 1 - - - - - - l 年代 ) ,是

1 - - - - - - 1 。 3 l - - - - - - 0 。 7 5 l 2 + 1 。 4 1 l 3 - - - - - - 0 。 3 4 l 4 - - - - - - 0 。 0 8 l 5 + 0 。 0 9 l 6 - - - - - - 0 。 0 3 l 7 。

你可以看到,当你添加季节性,季节性滞后项,并集成模型的大小XNew可以长很大。这样的转换可能不适合分析涉及小样本大小。

输入参数

全部折叠

完全指定的回归模型与ARIMA时间序列错误,指定为一个<一个href="//www.tatmou.com/it/help/econ/regarima-class.html">regARIMA创建的模型对象regARIMA或<一个href="//www.tatmou.com/it/help/econ/regarima.estimate.html">估计。

预测数据的回归组件输入回归模型与ARIMA时间序列错误<一个href="//www.tatmou.com/it/help/econ/#mw_a44a334c-422d-4236-8d78-9ad290829974" class="intrnllnk">Mdl指定为一个T——- - - - - -k1数字矩阵,k1是元素个数(Mdl.Beta)。

最后一行的X包含每个系列的最新观察。

每一列的X是一个单独的时间序列。

数据类型:双

输出参数

全部折叠

ARIMAX模型相当于输入回归模型与ARIMA时间序列错误Mdl,作为一个完全返回指定类型的对象模型<一个href="//www.tatmou.com/it/help/econ/arima.html">华宇电脑。

预测数据矩阵转换为回归组件输出的ARIMAX模型<一个href="//www.tatmou.com/it/help/econ/#mw_261c04fb-774d-4066-838c-ae8bfa87ecdf" class="intrnllnk">ARIMAXMdl,返回T——- - - - - -k2数字矩阵,k2是1 + 0的数量自回归系数的差分方程Mdl。返回XNew,你必须提供<一个href="//www.tatmou.com/it/help/econ/#mw_f6140183-6527-40d7-9ba9-29c918d7b44e" class="intrnllnk">X。

最后一行的XNew包含每个系列的最新观察。

每一列的XNew是一个单独的时间序列。

数据类型:双

算法

让X表示连接的矩阵向量(或设计矩阵)和预测数据β表示回归组件的回归模型与ARIMA错误,Mdl。

  • 如果您指定<一个href="//www.tatmou.com/it/help/econ/#mw_f6140183-6527-40d7-9ba9-29c918d7b44e" class="intrnllnk">X,华宇电脑返回XNew在一个特定的格式。假设非零自回归滞后项度<一个href="//www.tatmou.com/it/help/econ/#mw_a44a334c-422d-4236-8d78-9ad290829974" class="intrnllnk">Mdl是0 <一个1<一个2< <…P,这是最大的滞后项学位。软件获得这些滞后项度通过扩大和减少产品的季节性和季节性自回归滞后多项式,季节性和季节性集成滞后多项式

    ϕ ( l ) ( 1 − l ) D Φ ( l ) ( 1 − l 年代 ) 。

    • 第一列的<一个href="//www.tatmou.com/it/help/econ/#mw_6dea9ba8-28be-4a22-a0ea-efe3c4da36c4" class="intrnllnk">XNew是Xβ。

    • 第二列的XNew是一个序列一个1南年代,然后是产品<年代p一个n class="inlineequation"> X 一个 1 β , 在哪里<年代p一个n class="inlineequation"> X 一个 1 β = l 一个 1 X β 。

    • 列j的XNew是一个序列一个<年代ub>j南年代,然后是产品<年代p一个n class="inlineequation"> X 一个 j β , 在哪里<年代p一个n class="inlineequation"> X 一个 j β = l 一个 j X β 。

    • 最后一列的XNew是一个序列一个<年代ub>p南年代,然后是产品<年代p一个n class="inlineequation"> X p β , 在哪里<年代p一个n class="inlineequation"> X p β = l p X β 。

    假设Mdl是一个回归模型与ARIMA(3 1 0)错误,然后呢ϕ1= 0.2,ϕ3= 0.05。然后自回归滞后和集成多项式的乘积

    ( 1 − 0.2 l − 0.05 l 3 ) ( 1 − l ) = 1 − 1.2 l + 0.02 l 2 − 0.05 l 3 + 0.05 l 4 。

    这意味着ARIMAXMdl.Beta是(1 -1.2 0.02 -0.05 0.05)和XNew是

    ( x 1 β N 一个 N N 一个 N N 一个 N N 一个 N x 2 β x 1 β N 一个 N N 一个 N N 一个 N x 3 β x 2 β x 1 β N 一个 N N 一个 N x 4 β x 3 β x 2 β x 1 β N 一个 N x 5 β x 4 β x 3 β x 2 β x 1 β ⋮ ⋮ ⋮ ⋮ ⋮ x T β x T − 1 β x T − 2 β x T − 3 β x T − 4 β ] ,

    在哪里x<年代ub>j是行j的X。

  • 如果你不指定X,华宇电脑返回XNew空矩阵没有行和1 + 0的数量自回归系数的差分方程Mdl列。

版本历史

介绍了R2013b

另请参阅

|<年代p一个n itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代p一个n itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">

主题