富豪阶级

超类：

使用ARIMA时间序列误差创建回归模型

全部展开页面

描述

富豪创建一个具有ARIMA时间序列误差的回归模型保持回归系数的敏感性。要创建一个包含外生预测因子(ARIMAX)线性回归组件的ARIMA模型，请参见阿里玛．

默认情况下，时间序列误差(也称为无条件扰动)是独立的、同分布的、平均为0的高斯随机变量。如果错误具有自相关结构，那么您可以为它们指定模型。模型包括:

移动平均线(MA)
自回归（AR）
混合自回归和移动平均
综合(ARIMA)
乘性季节性（萨里玛）

指定包含已知系数的误差模型:

使用模拟．
使用冲动．
使用预测．
利用数据估计未知系数估计．

建设

Mdl=regARIMA创建一个ARIMA误差为0度且没有回归系数的回归模型。

Mdl= regARIMA (P,D,Q)建立了一个具有自回归度的非季节性线性时间序列的误差回归模型P，差异度D，以及移动平均度Q．

Mdl= regARIMA (名称、值)使用一个或多个指定的附加选项创建具有ARIMA错误的回归模型名称、值配对参数。的名字也可以是属性名和价值为对应值。的名字必须出现在单引号内('')。您可以指定几个名称、值将任意顺序的参数配对为名称1，值1，…，名称，值．

输入参数

注

对于具有非季节ARIMA误差的回归模型，使用P,D,Q. 对于具有季节性ARIMA误差的回归模型，使用名称、值配对参数。

`P`	误差模型的非季节性、自回归多项式度，指定为正整数。
`D`	误差模型的非季节性积分度，指定为非负整数。
`Q`	误差模型的非季节移动平均多项式次数，指定为正整数。

名称-值对参数

指定可选的逗号分隔的字符对名称、值参数。的名字是参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数名称1，值1，…，名称，值．

“拦截”

回归模型截距，指定为逗号分隔对，由“拦截”和一个标量。

违约：楠

“β”

与预测器数据相关的回归模型系数，指定为逗号分隔对组成“β”和一个向量。

违约：［］（没有对应于预测数据的回归系数）

“AR”

非季节性的，自回归系数的误差模型，指定为逗号分隔对组成“AR”和一个细胞载体。这些系数必须产生一个稳定的多项式。

如果您指定ARLags那么应收账等效长度的细胞矢量系数与滞后有关吗ARLags．例如,如果ARLags=(1、4)和应收账={0.2, 0.1}，则忽略所有其他规范，错误模型是 $U_{T} = ０．２ U_{T - 1.} + 0．1 U_{T - 4.} + ε_{T} ．$
如果您没有指定ARLags那么应收账是滞后系数1,2，…的细胞向量，P，即非季节性的自回归多项式次数。例如,如果应收账={0.2, 0.1}你不指定ARLags，则忽略所有其他规范，错误模型是 $U_{T} = ０．２ U_{T - 1.} + 0．1 U_{T - 2.} + ε_{T} ．$

的系数应收账对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12或以下,富豪排除该系数及其相应的滞后ARLags从模型中。

违约：细胞载体楠S的长度和ARLags．

“妈妈”

误差模型的非季节性、移动平均系数，指定为逗号分隔对组成“妈妈”和细胞载体。这些系数必须得到一个可逆多项式。

如果您指定马拉格那么马等效长度的细胞矢量系数与滞后有关吗马拉格．例如,如果马拉格=(1、4)和马={0.2, 0.1}，则忽略所有其他规范，错误模型是 $U_{T} = ε_{T} + ０．２ ε_{T - 1.} + 0．1 ε_{T - 4.} ．$
如果您没有指定马拉格那么马是滞后系数1,2，…的细胞向量，Q，这是非季节移动平均多项式次数。例如，如果马={0.2, 0.1}你不指定马拉格，则忽略所有其他规范，错误模型是 $U_{T} = ε_{T} + ０．２ ε_{T - 1.} + 0．1 ε_{T - 2.} ．$
的系数马对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12或以下,富豪排除该系数及其相应的滞后马拉格从模型中。

违约：细胞载体楠S的长度和马拉格．

“ARLags”

与系统相关的滞后应收账误差模型中的系数，指定为逗号分隔对，由“ARLags”和一个正整数向量。

违约：整数向量1,2，。。。，P，非季节自回归多项式次数。

“马拉格”

与系统相关的滞后马误差模型中的系数，指定为逗号分隔对，由“马拉格”和一个正整数向量。

违约：整数向量1,2，。。。，Q，非季节移动平均多项式次数。

“特区”

季节、自回归系数为误差模型，指定为逗号分隔对组成“特区”和细胞载体。系数必须得到一个稳定的多项式。

如果您指定沙拉那么合成孔径雷达等效长度的细胞矢量系数与滞后有关吗沙拉．例如,如果SARLags=[1,4],SAR={0.2,0.1},季节性= 4，则忽略所有其他规范，错误模型是

$(1. - ０．２ L - 0．1 L^{4.}) (1. - L^{4.}) U_{T} = ε_{T} ．$
如果您没有指定沙拉那么合成孔径雷达是滞后系数1,2，…的细胞向量，P_s，即季节自回归多项式次数。例如,如果SAR={0.2,0.1}和季节性= 4，您不指定沙拉，则忽略所有其他规范，错误模型是

$(1. - ０．２ L - 0．1 L^{2.}) (1. - L^{4.}) U_{T} = ε_{T} ．$

的系数合成孔径雷达对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12或以下,富豪排除该系数及其相应的滞后沙拉从模型中。

违约：细胞载体楠S的长度和沙拉．

SMA的

错误模型的季节性、移动平均系数，指定为逗号分隔对组成SMA的和细胞载体。系数必须得到一个可逆的多项式。

如果您指定SMALags那么SMA等效长度的细胞矢量系数与滞后有关吗SMALags．例如,如果SMALags=(1、4),SMA={0.2, 0.1},季节性=4，则忽略所有其他规范，错误模型为 $(1. - L^{4.}) U_{T} = (1. + ０．２ L + 0．1 L^{4.}) ε_{T} ．$
如果您没有指定SMALags那么SMA是滞后系数1,2，…的细胞向量，Q_s，季节移动平均多项式次数。例如,如果SMA={0.2, 0.1}和季节性=4，并且您不指定SMALags，则忽略所有其他规范，错误模型是 $(1. - L^{4.}) U_{T} = (1. + ０．２ L + 0．1 L^{2.}) ε_{T} ．$

的系数SMA对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12或以下,富豪排除该系数及其相应的滞后SMALags从模型中。

违约：细胞载体楠S的长度和SMALags．

“SARLags”

与系统相关的滞后合成孔径雷达误差模型中的系数，指定为逗号分隔对，由“SARLags”和一个正整数向量。

违约：整数向量1,2，。。。，P_s，季节自回归多项式次数。

“SMALags”

与系统相关的滞后SMA误差模型中的系数，指定为逗号分隔对，由“SMALags”和一个正整数向量。

违约：整数向量1,2，。。。，Q_s，季节移动平均多项式次数。

' D '

误差模型的非季节差分多项式度(即非季节积分度)，指定为逗号分隔对组成' D '和一个非负整数。

违约：0(没有季节性集成)

“季节性”

误差模型的季节性差分多项式次数，指定为逗号分隔对，包括“季节性”和一个非负整数。

违约：0（无季节性整合）

“方差”

模型创新的方差ε_T，指定为逗号分隔对，由“方差”一个正标量。

违约：楠

“分布”

创新过程的条件概率分布，指定为逗号分隔对，包括“分布”以及描述分发的分发名称或结构数组。

分布分布的名字结构数组

高斯 “高斯” 结构(“名字”,“高斯”)

学生的T

“不”

默认情况下,自由度是楠．

结构(“名字”,“t”,景深,景深)

自由度>2或景深=南

违约：“高斯”

“说明”

描述模型的字符串标量或字符向量。默认情况下，此参数描述模型的参数形式，例如，ARIMA(1,1,1)误差模型(高斯分布)．

注

指定与季节多项式相关的滞后合成孔径雷达和SMA观察数据的周期性，而不是季节性参数此约定不符合标准Box和Jenkins[1]符号，但它是一种更灵活的方法，用于合并乘法季节性。

属性

`应收账`	与误差模型的稳定多项式相对应的非季节性自回归系数的单元向量。相关滞后为1,2，。。。，P，它是非季节性的，自回归多项式次，或如`ARLags`．
`β`	与预测器数据矩阵列相对应的回归系数实向量。
`D`	非负整数表示误差模型的非季节性整合程度。
`描述`	用于模型描述的字符串标量。
`分布`	数据结构为创新过程的条件概率分布。这个领域`的名字`存储发行版名称`“高斯”`或`“t”`. 如果分布是`“t”`，则结构也有场`自由度`存储自由度。
`拦截`	错误模型中的标量截距。
`马`	细胞向量的非季节性移动平均系数对应一个可逆多项式的误差模型。相关的滞后是1,2，…，Q达到非季节移动平均多项式的阶数，或如`马拉格`．
`P`	标量、复合自回归多项式误差模型。 `P`是初始化误差模型的自回归分量所需的滞后观测总数。`P`包括房地产捕获的非季节性和季节性整合的影响`D`和`季节性`，以及非季节性和季节性自回归多项式`应收账`和`合成孔径雷达`分别地 `P`不一定符合标准方框和詹金斯符号[1]．如果`D=0`,`季节性= 0`,`SAR = {}`那么`P`符合标准符号。
`Q`	标量、复合移动平均多项式误差模型。 `Q`是初始化模型移动平均线组件所需的滞后创新总数。`Q`包括非季节性和季节性移动平均多项式的影响`马`和`SMA`分别地 `Q`不一定符合标准方框和詹金斯符号[1]．如果`SMA = {}`那么`Q`符合标准符号。
`合成孔径雷达`	细胞向量的季节自回归系数对应一个稳定的多项式的误差模型。相关的滞后是1,2，…，P_s，为季节自回归多项式次，或如`沙拉`．
`SMA`	季节移动平均系数的单元向量，对应于误差模型的可逆多项式。相关滞后为1,2，。。。，Q_s，即季节移动平均多项式次，或如`SMALags`．
`季节性`	非负整数，表示误差模型的季节性差分多项式次数。
`方差`	模型创新的正标量方差。

方法

阿里玛	将具有ARIMA误差的回归模型转换为ARIMAX模型
估计	用ARIMA误差估计回归模型的参数
过滤器	通过带ARIMA误差的回归模型对干扰进行滤波
预测	ARIMA误差回归模型的预测响应
冲动	ARIMA误差回归模型的脉冲响应
推断出	利用ARIMA误差推断回归模型的创新之处
打印	(待删除)显示具有ARIMA误差的回归模型的估计结果
模拟	具有ARIMA误差的蒙特卡罗模拟回归模型
总结	显示带有ARIMA误差的回归模型估计结果

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部崩溃

指定一个具有非季节性ARIMA误差的回归模型

打开生活的脚本

指定以下具有ARIMA(2,1,3)误差的回归模型:

$\begin{array}{c} Y_{T} = U_{T} \\ (1. - ϕ_{1.} L - ϕ_{2.} L^{2.}) (1. - L) U_{T} = (1. + θ_{1.} L + θ_{2.} L^{2.} + θ_{3.} L^{3.}) ε_{T} ． \end{array}$

Mdl = regARIMA (2, 1, 3)

描述:“ARIMA(2,1,3)误差模型(高斯分布)”分布:Name = "Gaussian" Intercept: NaN Beta: [1×0] P: 3 D: 1 Q: 3 AR: {NaN NaN} at lag [1 2] SAR: {} MA: {NaN NaN} at lag [1 2 3] SMA: {} Variance: NaN

输出显示属性的值P,D,Q的Mdl．相应的自回归和移动平均系数(包含应收账和马)单元格数组是否包含正确数量的楠价值观注意P=P+D= 3，表示您需要三个样本前观察来初始化模型进行估计。

修正带有ARIMA误差的回归模型

打开生活的脚本

定义具有ARIMA误差的回归模型:

$\begin{array}{llllllllllllllllllll} \begin{array}{c} Y_{T} = 2. + X_{T} [\begin{array}{cccccccccccccccccccc} 1. ． 5. \\ 0 ． 2. \end{array}] + U_{T} \\ (1. - 0 ． 2. L - 0 ． 3. L^{2.}) U_{T} = (1. + 0 ． 1. L) ε_{T}, \end{array} \end{array}$

在哪里 $ε_{T}$ 为高斯分布，方差为0.5。

Mdl = regARIMA (“拦截”2,“AR”{0.2 - 0.3},“妈妈”,{0.1},．..“方差”, 0.5,“β”(1.5 - 0.2))

描述:“ARMA(2,1)误差模型(高斯分布)回归”分布:Name = "高斯" Intercept: 2 Beta: [1.5 0.2] P: 2 Q: 1 AR: {0.2 0.3} at lag [1 2] SAR: {} MA: {0.1} at lag [1] SMA: {} Variance: 0.5

Mdl是完全指定的，例如，模拟给出预测器数据矩阵的一系列响应， $X_{T}$ ．

修改模型以估计回归系数、AR项和创新的方差。

Mdl.Beta=[NaN-NaN]；Mdl.AR={NaN}；Mdl.方差=NaN；

将创新分配改为 $T$ 分布有15个自由度。

Mdl.Distribution=struct(“姓名”,“不”,“景深”15)

描述:“ARMA(2,1)误差模型(t分布)回归”分布:Name = "t"， DoF = 15 Intercept: 2 Beta: [NaN NaN] P: 2 Q: 1 AR: {NaN NaN} at lag [1 2] SAR: {} MA: {0.1} at lag [1] SMA: {} Variance: NaN

指定一个带有SARIMA误差的回归模型

打开生活的脚本

指定以下型号:

$\begin{array}{llllllllllllllllllll} \begin{array}{c} Y_{T} = 1. + 6. X_{T} + U_{T} \\ (1. - 0 ． 2. L) (1. - L) (1. - 0 ． 5. L^{4.} - 0 ． 2. L^{8.}) (1. - L^{4.}) U_{T} = (1. + 0 ． 1. L) (1. + 0 ． 0 5. L^{4.} + 0 ． 0 1. L^{8.}) ε_{T}, \end{array} \end{array}$

在哪里 $ε_{T}$ 是方差为1的高斯分布。

Mdl = regARIMA (“拦截”, 1“β”6.“AR”,0.2,．..“妈妈”,0.1,“特区”,{0.5,0.2},“SARLags”(4、8),．..SMA的,{0.05,0.01},“SMALags”, 8 [4],' D ', 1．..“季节性”4.“方差”, 1)

Mdl=regARIMA，属性：Description:“与季节性AR（8）和MA（8）（高斯分布）季节性集成的ARIMA（1,1,1）误差模型的回归”分布：Name=“Gaussian”截距：1β：[6]P:14D:1Q:9AR:{0.2}滞后[1]SAR:{0.50.2}滞后[48]MA:{0.1}滞后[1]SMA 0.050.01}滞后[48]季节性：4方差：1

如果您没有指定沙拉或SMALags，然后是中的系数合成孔径雷达和SMA默认为滞后1和滞后2。

Mdl = regARIMA (“拦截”, 1“β”6.“AR”,0.2,．..“妈妈”,0.1,“特区”,{0.5,0.2},SMA的,{0.05,0.01},．..' D ', 1“季节性”4.“方差”, 1)

Mdl=regARIMA，属性：Description:“与季节性AR（2）和MA（2）（高斯分布）季节性集成的ARIMA（1,1,1）误差模型的回归”分布：Name=“Gaussian”截距：1β：[6]P:8d:1q:3ar:{0.2}滞后[1]SAR:{0.50.2}滞后[12]MA:{0.1}滞后[1]SMA 0.050.01}滞后[12]季节性：4方差：1