箱詹金斯选型
这个例子说明了如何使用箱詹金斯方法来选择ARIMA模型。时间序列为季度澳大利亚消费者价格指数（CPI）从1972年和1991年测得的日志。
加载数据
加载并绘制澳大利亚CPI数据。
加载Data_JAustralianY = DataTable.PAU;T =长度（Y）;图图（Y）H1 = GCA;h1.XLim = [0，T];h1.XTick = 1：10：T;h1.XTickLabel = datestr（日期（1：10：T），17）;标题（“日志季度澳大利亚CPI”）
该系列产品是不稳定，有明显的上升趋势。
画出样品ACF和PACF
积为CPI系列样品自相关函数（ACF）和局部自相关函数（PACF）。
图副区（2,1,1）autocorr（y）的副区（2,1,2）parcorr（y）的
的显著，线性衰减样品ACF表示非平稳过程。
差别有关的数据
取数据的第一差，并绘制差分序列。
DY = DIFF（Y）;图情节（DY）H2 = GCA;h2.XLim = [0，T];h2.XTick = 1：10：T;h2.XTickLabel = datestr（日期（2：10：T），17）;标题（“差的方法登录季度澳大利亚CPI”）
差分去除线性趋势。差分序列显得更加平稳。
绘制差分序列的样品ACF和PACF
画出差分序列的样本ACF和PACF寻找行为与静止的过程更加一致。
图副区（2,1,1）autocorr（DY）副区（2,1,2）parcorr（DY）
差分序列的样本ACF衰减得更快。样品PACF切断滞后2.后此行为与第二度自回归（AR（2））模型一致。
指定和估计的ARIMA（2,1,0）模型
指定，然后估算，一个ARIMA日志季度澳大利亚CPI（2,1,0）模型。这种模式有非季节性差异的一个程度和两个AR滞后。默认情况下，创新为高斯分布以恒定的变化。
MDL = ARIMA（2,1,0）;EstMdl =估计（MDL，Y）;
ARIMA（2,1,0）模型（高斯分布）：值StandardError的TStatistic p值__________ _____________ __________ __________常数0.010072 0.0032802 3.0707 0.0021356 AR {1} 0.21206 0.095428 2.2222 0.026271 AR {2} 0.33728 0.10378 3.2499 0.0011543方差9.2302e-05 1.1112e-05 8.3066 9.8491e-17
两个AR系数是在0.05的显着性水平显著。
检查拟合优度
推断拟合模型的残差。检查残差正态分布和不相关的。
RES =推断（EstMdl，Y）;图副区（2,2,1）图（res./sqrt（EstMdl.Variance））标题（“标准化残差”）副区（2,2,2）qqplot（RES）副区（2,2,3-）autocorr（RES）副区（2,2,4）parcorr（RES）= HVEC的findall（GCF，'类型'，“轴”）;集（HVEC，'TitleFontSizeMultiplier'，0.8％，...'LabelFontSizeMultiplier'，0.8）;
残差是合理的正态分布和不相关的。
生成预测
生成的预报和接近95％的预测区间为今后4年（16个季度）。
[YF，yMSE] =预测（EstMdl，16，Y）;UB = YF + 1.96 * SQRT（yMSE）;LB = YF - 1.96 * SQRT（yMSE）;图H4 =情节（Y，'颜色'）[75，0.75，0.75。];保持上H5 =情节（78：93，YF，'R'，'行宽'，2）;H6 =情节（78：93，UB，'K--'，'行宽'，1.5）;图（78：93，LB，'K--'，'行宽'，1.5）;fDates = [日期;时间（T）+ cumsum（差异（时间（T-16：T）））];H7 = GCA;h7.XTick = 1:10（T + 16）;h7.XTickLabel = datestr（fDates（1：10：端），17）;图例（[H4，H5，H6]“日志CPI”，'预测'，...“预测区间”，'位置'，'西北'）标题（“登录澳大利亚CPI预测”）保持离
参考文献：
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。第3版。新泽西州Englewood Cliffs：Prentice Hall出版社，1994年。
也可以看看
应用
对象
职能
相关的例子
更多关于
您还可以选择从下面的列表中的网站：
