这个例子展示了如何预测一个平稳的AR(12)过程预测
.评估预测的渐近收敛性,并比较使用和不使用前样本数据的预测。
指定模型
这里的创新点是方差为2的高斯分布。从流程中生成长度为300的实现。将前250个观察结果作为老化处理。
Mdl = arima (“不变”3,基于“增大化现实”技术的{0.7, 0.25},“ARLags”(1、12),...“方差”2);rng ('默认') Y =模拟(Mdl,300);Y = Y (251:300);图(Y) xlim([0,50])“模拟AR(12)过程”)
生成150步时间范围内的预测(和预测误差)。用模拟的级数作为前样数据。
(Yf, YMSE) =预测(Mdl 150 Y);上下限= Yf + 1.96*根号(YMSE);Yf - 1.96*根号(YMSE);图绘制(Y,“颜色”,综合成绩、综合成绩、综合成绩)在情节(51:200 Yf,“r”,“线宽”2)图(51:200(上,下)“k——”,“线宽”1.5) xlim ([0200])从
预测的MMSE呈正弦衰减,并开始收敛到无条件平均值,由
过程的MSE收敛于过程的无条件方差( ).你可以用脉冲响应函数来计算方差。脉冲响应函数是基于AR(2)过程的无限次MA表示。
的最后几个值YMSE
显示对无条件方差的融合。
ARpol = LagOp({1。7年},“滞后”, 0、1、12);IRF = cell2mat (toCellArray (1 / ARpol));sig2e = 2;方差= (IRF。^ 2)* sig2e求和显示方差
方差= 7.9938
YMSE(145年底):%显示预测的MSEs
ans =6×17.8870 7.8899 7.8926 7.8954 7.8980 7.9006
在150步内没有达到收敛,但预测的MSE接近理论无条件方差。
重复预测,不使用任何预样本数据。
[Yf2, YMSE2] =预测(Mdl, 150);= Yf2 + 1.96*sqrt(YMSE2); / /= Yf2 - 1.96*根号(YMSE2); / /YMSE2(145年底):%显示预测的MSEs
ans =6×17.8870 7.8899 7.8926 7.8954 7.8980 7.9006
图绘制(Y,“颜色”,综合成绩、综合成绩、综合成绩)在情节(51:200 Yf2,“r”,“线宽”2)图(51:200 [upper2 lower2],“k——”,“线宽”1.5) xlim ([0200])从
不使用预先数据的预测MSE的收敛是相同的。但是,所有MMSE预测都是无条件的平均值。这是因为预测
当您不提供预示例数据时,使用无条件均值初始化AR模型。