自动增加移动平均模型 - Matlab＆Simulink - Mathworks日本金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

自回归移动平均模型

ARMA（P.那问：）模型

对于一些观察时间序列，需要非常高阶AR或MA模型来模拟底层过程。在这种情况下，组合的自回归移动平均（ARMA）模型有时可以是更加令人愉快的选择。

ARMA模型表达了条件的平均值y_T.作为过去观察的功能， $y_{T. - 1} 那 ...... 那 y_{T. - P.}$ 以及过去的创新， ${ε.}_{T. - 1} 那 ...... 那 {ε.}_{T. - 问：} 。$ 过去观察的数量y_T.取决于，P.，是AR学位。过去创新的数量y_T.取决于，问：，是MA学位。通常，这些模型由ARMA表示（P.那问：）。

ARMA的形式（P.那问：）经济学测量仪Toolbox™中的模型是

y_{T.} = C + {φ.}_{1} y_{T. - 1} + ...... + {φ.}_{P.} y_{T. - P.} + {ε.}_{T.} + {θ.}_{1} {ε.}_{T. - 1} + ...... + {θ.}_{问：} {ε.}_{T. - 问：} 那

（1）

在哪里

{ε.}_{T.}

是一个不相关的创新过程，均为零。

在滞后运算符多项式表示法， ${L.}^{一世} y_{T.} = y_{T. - 一世}$ 。定义学位P.AR LAG运营商多项式 $φ. （ L. 的） = （ 1 - {φ.}_{1} L. - ...... - {φ.}_{P.} {L.}^{P.} 的）$ 。定义学位问：MA LAG操作员多项式 $θ. （ L. 的） = （ 1 + {θ.}_{1} L. + ...... + {θ.}_{问：} {L.}^{问：} 的）$ 。你可以写arma（P.那问：）模型

φ. （ L. 的） y_{T.} = C + θ. （ L. 的） {ε.}_{T.} 。

（2）

AR滞后运算符多项式中系数的迹象， $φ. （ L. 的）$ ，与右侧相反等式1。在使用Outhoftrics工具箱中指定和解释AR系数时，请使用该表单等式1。

ARMA模型的实用性和可释放性

考虑阿玛（P.那问：）滞后运算符的模型，

$φ. （ L. 的） y_{T.} = C + θ. （ L. 的） {ε.}_{T.} 。$

从这个表达式中，你可以看到

y_{T.} = μ. + \frac{θ. （ L. 的）}{φ. （ L. 的）} {ε.}_{T.} = μ. + ψ （ L. 的） {ε.}_{T.} 那

（3）

在哪里

$μ. = \frac{C}{（ 1 - {φ.}_{1} - ...... - {φ.}_{P.} 的）}$

是过程的无条件平均值，还有 $ψ （ L. 的）$ 是一个理性的无限度滞后的拖车多项式， $（ 1 + ψ_{1} L. + ψ_{2} {L.}^{2} + ...... 的）$ 。

笔记

这持续的财产的财产阿玛玛模型对象对应于C，而不是无条件的意思μ.。

通过Wold的分解[2]那等式3.对应于静止随机过程提供了系数 $ψ_{一世}$ 绝对可信。当AR多项式时，这是这种情况， $φ. （ L. 的）$ ，是稳定的，意味着它的所有根都在单位圈外面躺在单位。此外，该过程是因果关系只要MA多项式就是可逆，意味着它的所有根都在单位圈外面躺在单位。

OuthoMetrics工具箱强制执行ARMA流程的稳定性和可释放性。使用ARMA模型使用时阿玛玛如果您输入不对应于稳定的AR多项式或可逆MA多项式的系数，则会收到错误。相似地，估计在估计期间施加有权和可逆的限制。

参考

[1]盒子，G.E.P.，G.M. Jenkins和G. C. Reinsel。时间序列分析：预测和控制。3 ed。Englewood Cliffs，NJ：Prentice Hall，1994年。

[2] Wold，H.静止时间序列分析的研究。乌普萨拉，瑞典：Almqvist＆Wiksell，1938年。

也可以看看

阿玛玛|估计

自回归移动平均模型

ARMA（P.那问：）模型

ARMA模型的实用性和可释放性

参考

也可以看看

相关例子

更多关于

OuthoMetrics工具箱文档

金宝app

用Matlab建模财务风险的实用指南

自回归移动平均模型

ARMA（P.那问：） 模型

ARMA模型的实用性和可释放性

参考

也可以看看

相关例子

更多关于

OuthoMetrics工具箱文档

金宝app

用Matlab建模财务风险的实用指南

ARMA（P.那问：）模型