步骤1。加载数据。

负载overshorts的时间序列。

负载(“Data_Overshort.mat”)Y =数据;N =长度(Y);图绘制(Y) xlim ([0, N])标题(“连续57天Overshorts”)

该系列似乎是静止的。

步骤2。画出样本ACF和PACF。

情节样本自相关函数(ACF)和偏自相关函数(PACF)。

图次要情节(2,1,1)autocorr (Y)次要情节(2,1,2)parcorr (Y)

示例ACF和PACF表现出显著的自相关。示例ACF具有显著的自相关滞后1。示例PACF具有显著的自相关滞后1,3,4。

ACF的不同截止结合逐步衰减的PACF表明马(1)模型可能适合这些数据。

步骤3。商店示例ACF和PACF值。

商店示例ACF和PACF值滞后15。

acf = autocorr (Y,“NumLags”15);pacf = parcorr (Y,“NumLags”15);(长度(acf)长度(pacf))

ans =1×216日16

输出acf和pacf是向量存储样本自相关和偏自相关滞后0,1,…15(总共16落后)。

步骤1。加载数据。

负载overshorts的时间序列。

负载(“Data_Overshort.mat”)Y =数据;N =长度(Y);图绘制(Y) xlim ([0, N])标题(“连续57天Overshorts”)

数据似乎在不断波动的意思,所以不需要数据转换之前进行Ljung-Box Q-test。

步骤2。进行Ljung-Box Q-test。

为自相关进行Ljung-Box Q-test滞后5、10和15。

(h p Qstat,暴击)= lbqtest (Y,“滞后”,5、10、15)

h =1 x3逻辑阵列1 1 1

p =1×30.0016 0.0007 0.0013

Qstat =1×319.3604 30.5986 36.9639

暴击=1×311.0705 18.3070 24.9958

所有输出向量有三个元素,对应的测试每三个滞后。每个输出的第一个元素对应于测试延迟5,第二个元素对应于测试延迟10,第三个元素对应于测试延迟15。

测试决定存储在向量h。的值h = 1意味着拒绝零假设。向量p包含三个测试的假定值。在 $$\alpha =0。05$$显著性水平,没有自相关的零假设被拒绝在所有三个滞后。结论是有显著相关。

测试数据和 $${\chi }^2$$关键值输出Qstat和暴击,分别。