估计ARIMA模型
这个例子展示了如何估计自回归移动平均(ARIMA)模型集成。
模型包含非平稳的时间序列趋势(季节性)有时是必需的。一个类别的模型ARIMA模型。这些模型包含一个固定噪声源的积分器。因此,如果一个ARMA模型的控制方程是表示为(问)y (t) = Ce (t),在那里(问)代表了自回归项和C(问)移动平均线,相应的模型ARIMA模型表示为
在这个术语 代表了离散时间积分器。类似地,您可以制定阿里和ARIX模型方程。
使用时间序列模型估计的命令基于“增大化现实”技术
,arx
和armax
你可以介绍集成商噪声源e (t)
。这可以通过使用IntegrateNoise
参数估计的命令。
估计方法不考虑任何常数抵消在时间序列数据。引入噪声积分器的能力是不限于时间序列数据。您还可以输入输出模型的扰动可能会受季节性。一个例子是ARIMAX多项式模型的结构:
看到armax
参考页面的例子。
估计一个阿里一个标量时间序列模型和线性趋势。
负载iddata9z9Ts = z9.Ts;y = cumsum (z9.y);模型= ar (y, 4,“ls”,“t”Ts,“IntegrateNoise”,真正的);% 5提前一步预测比较(y)模型,5)
估计一个多变量时间序列模型,这样噪音集成存在于只有两个时间序列中的一个。
负载iddata9z9Ts = z9.Ts;y = z9.y;y2 = cumsum (y);%人为地构造一个二元时间序列data = iddata ([y、y2], [], Ts);na = [4 0;0 4];数控= (2,1);model1 = armax(数据、(na数控)“IntegrateNoise”,(假;真正的]);%的预测时间序列100步进未来yf =预测(model1、数据(1:10 0),100);情节(数据(1:10 0)、yf)
如果输出耦合(na
不是一个对角矩阵),情况会更复杂和简单地添加一个积分器第二噪声通道将不会工作。