主要内容

华宇电脑

创建单变量自回归移动平均(ARIMA)模型集成

扩展所有的页面

描述

的华宇电脑函数返回一个华宇电脑对象指定参数值的函数形式和存储一个ARIMA (p,D,问)<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">线性时间序列模型为一个单变量的响应过程yt。

华宇电脑使您能够创建ARIMA模型的变化,包括:

  • 一个自回归(AR (p))、滑动平均(MA (问)),或ARMA (p,问)模型。

  • 包含乘法季节性组件(SARIMA模型(p,D,问)⨉(p<年代ub>年代,D<年代ub>年代,问<年代ub>年代)<年代ub>年代)。

  • 一个包含线性回归的模型组件为协变量外生(ARIMAX)。

  • 一个复合的条件均值和条件方差模型。例如,您可以创建一个ARMA条件均值包含GARCH模型条件方差模型(<一个href="//www.tatmou.com/kr/kr/kr/help/econ/garch.html">garch)。

一个关键组成部分华宇电脑对象是多项式多项式度(例如,基于“增大化现实”技术的程度p和集成的程度D),因为他们完全指定模型结构。给定的多项式度,所有其他参数,如系数和innovation-distribution参数是未知的和有价值的,除非你指定他们的价值观。

包含未知参数值来估计模型,通过模型和数据<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.estimate.html">估计。据估计或完全指定的工作华宇电脑对象,将它传递给一个<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">目标函数。

或者,您可以:

  • 创建和使用华宇电脑通过使用模型对象交互<年代tr在g class="app">计量经济学建模师。

  • 模型在一系列干扰序列相关回归模型通过创建一个回归模型与ARIMA错误。更多细节,请参阅<一个href="//www.tatmou.com/kr/kr/kr/help/econ/regarima-class.html">regARIMA和<一个href="//www.tatmou.com/kr/kr/kr/help/econ/convert-between-armax-and-regarima-models.html" class="a">替代ARIMA模型表示。

创建

语法

Mdl = arima
Mdl = arima (p D q)
Mdl = arima(名称、值)

描述

例子

Mdl= arima创建一个ARIMA(0, 0, 0)模型只包含一个未知常数和一系列的iid平均值为0和未知方差高斯创新。

例子

Mdl= arima (<一个href="//www.tatmou.com/kr/kr/help/econ/#mw_e831d764-ddaa-4780-b31f-43323cec4014" class="intrnllnk">p,<一个href="//www.tatmou.com/kr/kr/help/econ/#mw_e92d243b-fbae-4167-93af-9073f343c0f3" class="intrnllnk">D,<一个href="//www.tatmou.com/kr/kr/help/econ/#mw_5a7254cf-848d-423c-a729-edebdd66d000" class="intrnllnk">问)创建一个ARIMA (p,D,问)模型包含从1到季节性AR多项式滞后p,程度D季节性集成多项式,并从1到马季节性多项式滞后问。

这个简写语法提供了一种简单的方法来创建一个模型模板中显式地指定季节性多项式的度。模型模板适合无限制的参数估计。在您创建一个模型,你可以改变<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">财产使用点符号值。

例子

Mdl= arima (<一个href="//www.tatmou.com/kr/kr/help/econ/#namevaluepairarguments" class="intrnllnk">名称,值)集<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">属性并使用名称-值对参数多项式滞后。附上每个名称加上引号。例如,“ARLags”,[1 - 4],基于“增大化现实”技术,{0.5 - -0.1}指定的值-0.5和0.1在落后的季节性AR多项式系数1和4,分别。

这个原来的代码允许您创建更灵活的模型。华宇电脑推断所有设置的属性的多项式学位。因此,对应的属性值多项式度必须相互一致。

输入参数

全部展开

简写语法为您提供一种简单的方法来创建季节性ARIMA模型模板适用于无限制的参数估计。例如,要创建一个ARMA(2,1)模型包含未知方差系数和创新,进入:

Mdl = arima (0, 1);
把等式约束强加给在估计参数值,或者包括季节性组件,设置适当<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">财产使用点符号值。

季节性自回归多项式程度,指定为一个非负整数。

数据类型:双

程度的季节性集成(季节性差分多项式的程度),指定为一个非负整数。D设置属性<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">D。

数据类型:双

季节性移动平均多项式程度,指定为一个非负整数。

数据类型:双

名称-值对的观点

指定可选的逗号分隔条名称,值参数。的名字参数名称和吗价值相应的价值。的名字必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家。

原来的代码允许您创建季节性模型或模型中部分或全部系数是已知的。在评估期间,估计对任何已知等式约束参数。

例子:“ARLags”,[1 - 4],基于“增大化现实”技术,{0.5 - -0.1}指定了季节性AR多项式<年代p一个n class="inlineequation"> 1 − 0.5 l 1 + 0.1 l 4 。

落后与季节性AR多项式系数,指定为逗号分隔组成的“ARLags”和一个数字向量独特的正整数。最大延迟p。

基于“增大化现实”技术的{j}滞后系数ARLags (j)。

例子:“ARLags”, [1 - 4]指定了季节性AR多项式<年代p一个n class="inlineequation"> 1 − ϕ 1 l 1 − ϕ 4 l 4 。

数据类型:双

马滞后与季节性多项式系数,指定为逗号分隔组成的“MALags”和一个数字向量独特的正整数。最大延迟问。

马{j}滞后系数MALags (j)。

例子:MALags, 1:3指定了季节性马多项式<年代p一个n class="inlineequation"> 1 + θ 1 l 1 + θ 2 l 2 + θ 3 l 3 。

数据类型:双

落后与季节性AR多项式系数,指定为逗号分隔组成的“SARLags”和一个数字向量独特的正整数。最大延迟p<年代ub>年代。

SAR {j}滞后系数SARLags (j)。

指定SARLags周期性的观测数据,不作为的倍数季节性财产。本公约不符合标准的盒子和詹金斯<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">[1]符号,但它是将乘法季节性更灵活。

例子:“SARLags”, [4 8]指定了季节性AR多项式<年代p一个n class="inlineequation"> 1 − Φ 4 l 4 − Φ 8 l 8 。

数据类型:双

马滞后与季节性多项式系数,指定为逗号分隔组成的“SMALags”和一个数字向量独特的正整数。最大延迟问<年代ub>年代。

SMA {j}滞后系数SMALags (j)。

指定SMALags周期性的观测数据,不作为的倍数季节性财产。本公约不符合标准的盒子和詹金斯<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">[1]符号,但它是将乘法季节性更灵活。

例子:“SMALags”4指定了季节性马多项式<年代p一个n class="inlineequation"> 1 + Θ 4 l 4 。

数据类型:双

请注意

多项式度并不契合。如果你不指定一个多项式学位,或华宇电脑从其他规格,不能推断出它华宇电脑不包括的多项式模型。

属性

全部展开

你可以设置可写属性值创建模型对象时通过使用名称-值对参数语法,或在您创建模型对象通过使用点符号。例如,要创建一个完全指定ARMA(2,1)模型,输入:

Mdl = arima(“常数”,基于“增大化现实”技术,{0.3 - -0.15},“马”,0.2);Mdl。V一个r我一个nce = 1;

请注意

  • 南价值属性显示有价值的参数。数值属性表明平等限制在模型估计参数。可以包含数字和系数向量南价值元素。

  • 您可以指定多项式系数作为任何方向向量,但是华宇电脑商店行向量。

这个属性是只读的。

复合AR多项式学位,指定为一个非负整数。

P并不一定符合标准的盒子和詹金斯符号<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">[1]因为P捕获的度季节性和季节性AR多项式(属性基于“增大化现实”技术和特别行政区分别),季节性集成(财产D)和季节性(财产季节性)。明确地,P=p+D+p<年代ub>年代+年代。P符合盒和詹金斯符号模型没有集成或季节性AR组件。

P指定的数量落后于观测需要初始化的基于“增大化现实”技术的组件模型。

数据类型:双

这个属性是只读的。

复合马多项式学位,指定为一个非负整数。

问并不一定符合标准的盒子和詹金斯符号<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">[1]因为问抓住了马度季节性和季节性的多项式(属性马和SMA分别)。明确地,问=问+问<年代ub>年代。问符合框和詹金斯符号没有季节性MA模型组件。

问指定的数量落后于创新的马需要初始化组件模型。

数据类型:双

模型描述,指定为一个字符串标量或特征向量。华宇电脑存储值作为字符串标量。默认值描述模型的参数形式,例如“ARIMAX(1, 1, 1)模型(高斯分布)”。

例子:“模式1”

数据类型:字符串|字符

条件概率分布的创新过程,指定为一个字符串数组或结构。华宇电脑作为一个结构数组存储价值。

分布 字符串 结构数组
高斯 “高斯” 结构(“名字”,“高斯”)
学生的t “t” 结构(“名字”,“t”,景深,景深)

的“景深”字段指定t自由度分布参数。

  • 景深> 2或景深=南。

  • 景深是有价值的。

  • 如果您指定“t”,景深是南默认情况下。你可以改变它的值通过使用点符号在您创建模型。例如,Mdl.Distribution。景深= 3。

  • 如果你提供一个结构数组指定学生的t分布,那么你必须指定的“名字”和“景深”字段。

例子:结构(“名字”,“t”、“景深”,10)

模型常数,指定为一个数字标量。

例子:1

数据类型:双

季节性AR多项式系数,指定为一个细胞向量。包含数字标量或细胞南值。一个完全指定的季节性AR多项式必须稳定。

系数信号对应于差分方程模型表达符号。例如,对于季节性AR多项式<年代p一个n class="inlineequation"> ϕ ( l ) = 1 − 0.5 l + 0.1 l 2 , 指定基于“增大化现实”技术,{0.5 - -0.1}。

  • 如果你使用简写语法来指定p> 0,基于“增大化现实”技术的{j}的值南这是滞后系数j,j= 1,…,p。

  • 如果你设置<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">“ARLags”名称-值对参数ARLags,适用下列条件。

    • 的长度基于“增大化现实”技术和ARLags必须是相等的。

    • 基于“增大化现实”技术的{j}滞后系数ARLags (j),尽管j在ARLags。

    • 默认情况下,基于“增大化现实”技术的{j}=南对所有j在ARLags。

  • 否则,基于“增大化现实”技术是空的,不包含一个季节性AR多项式模型。

    的系数基于“增大化现实”技术对应于在一个潜在的系数<一个href="//www.tatmou.com/kr/kr/kr/help/econ/lagop.html">LagOp滞后算子多项式,接近零容忍排除测试。如果你设置一个系数1 e-12或以下,华宇电脑不包括系数及其相应的滞后ARLags从模型。

例子:{0.8}

例子:{南-0.1}

数据类型:细胞

季节性AR多项式系数,指定为一个细胞向量。包含数字标量或细胞南值。一个完全指定的季节性AR多项式必须稳定。

系数信号对应于差分方程模型表达符号。例如,对于季节性AR多项式<年代p一个n class="inlineequation"> Φ ( l ) = 1 − 0.5 l 4 + 0.1 l 8 , 指定“特区”,{0.5 - -0.1}。

  • 如果你设置<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">“SARLags”名称-值对参数SARLags,适用下列条件。

    • 的长度特别行政区和SARLags必须是相等的。

    • SAR {j}滞后系数SARLags (j),尽管j在SARLags。

    • 默认情况下,SAR {j}=南对所有j在SARLags。

  • 否则,特别行政区是空的,不包含一个季节性AR多项式模型。

    的系数特别行政区对应于在一个潜在的系数<一个href="//www.tatmou.com/kr/kr/kr/help/econ/lagop.html">LagOp滞后算子多项式,接近零容忍排除测试。如果你设置一个系数1 e-12或以下,华宇电脑不包括系数及其相应的滞后SARLags从模型。

例子:{0.2 - 0.1}

例子:{南0 0南}

数据类型:细胞

季节性马多项式系数,指定为一个细胞向量。包含数字标量或细胞南值。一个完全指定的季节性马多项式必须可逆的。

  • 如果你使用简写语法来指定问> 0,马{j}有价值的南这是滞后系数j,j= 1,…,问。

  • 如果你设置<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">“MALags”名称-值对参数MALags,适用下列条件。

    • 的长度马和MALags必须是相等的。

    • 马{j}滞后系数MALags (j),尽管j在MALags。

    • 默认情况下,马{j}=南对所有j在MALags。

  • 否则,马是空的,不包含一个季节性马多项式模型。

    的系数马对应于在一个潜在的系数<一个href="//www.tatmou.com/kr/kr/kr/help/econ/lagop.html">LagOp滞后算子多项式,接近零容忍排除测试。如果你设置一个系数1 e-12或以下,华宇电脑不包括系数及其相应的滞后MALags从模型。

例子:0.8

例子:{南-0.1}

数据类型:细胞

季节性马多项式系数,指定为一个细胞向量。包含数字标量或细胞南值。一个完全指定的季节性马多项式必须可逆的。

  • 如果你设置<一个href="//www.tatmou.com/kr/kr/kr/help/econ/arima.html" class="intrnllnk">“SMALags”名称-值对参数SMALags,适用下列条件。

    • 的长度SMA和SMALags必须是相等的。

    • SMA {j}滞后系数SMALags (j),尽管j在SMALags。

    • 默认情况下,SMA {j}=南对所有j在SMALags。

  • 否则,SMA是空的,模型不包含一个季节性马多项式。

    的系数SMA对应于在一个潜在的系数<一个href="//www.tatmou.com/kr/kr/kr/help/econ/lagop.html">LagOp滞后算子多项式,接近零容忍排除测试。如果你设置一个系数1 e-12或以下,华宇电脑不包括系数及其相应的滞后SMALags从模型。

例子:{0.2 - 0.1}

例子:{南0 0南}

数据类型:细胞

程度的季节性集成,或程度的季节性差分多项式,指定为一个非负整数。

例子:1

数据类型:双

程度的季节差分多项式年代,指定为一个非负整数。

例子:12指定每月周期性。

数据类型:双

组件回归系数的条件意味着,指定为一个数值向量。

如果你计划估计的所有元素β,你不需要指定它。在评估期间,估计推断的大小β从外生指定数据的列数X。

例子:(0.5南3)

数据类型:双

创新方差模型,指定为一个积极的标量或受支持的条件方差模型对象(例如,金宝app<一个href="//www.tatmou.com/kr/kr/kr/help/econ/garch.html">garch)。对于所有支持的条金宝app件方差模型,明白了<一个href="//www.tatmou.com/kr/kr/kr/help/econ/conditional-variance-models.html" class="a">条件方差模型。

一个积极的标量或南指定了一个同方差的模型。一个条件方差模型对象指定一个复合条件均值和方差模型。估计适合所有未知,可估计的参数组合。

例子:1

例子:garch (1, 0)

数据类型:双

对象的功能

估计 适合自回归综合移动平均(ARIMA)模型数据
总结 显示ARIMA模型估计结果
推断出 推断ARIMA ARIMAX模型残差或有条件的差异
过滤器 使用ARIMA过滤干扰或ARIMAX模型
冲动 生成单变量自回归综合移动平均(ARIMA)模型的脉冲响应函数(IRF)
模拟 蒙特卡罗模拟的ARIMA或ARIMAX模型
预测 预测单变量自回归综合移动平均(ARIMA)模型或条件方差的反应

例子

全部折叠

打开生活的脚本

创建一个默认的ARIMA模型通过使用华宇电脑。

Mdl = arima
Mdl = arima与属性:描述:“arima(0, 0, 0)模型(高斯分布)”分布: Name = "Gaussian" P: 0 D: 0 Q: 0 Constant: NaN AR: {} SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN

Mdl是一个华宇电脑对象。模型的属性出现在命令行。

默认的模式是

y t = c + ε t ,

在哪里<年代p一个n class="inlineequation"> c 是一个未知常数和<年代p一个n class="inlineequation"> ε t 是一系列的iid高斯随机变量均值为0,方差吗<年代p一个n class="inlineequation"> σ 2 。

Mdl是一个模型估计的模板。您可以修改属性值通过使用点符号或通过使用数据模型估计,但是你不能通过Mdl其他任何对象的功能。

打开生活的脚本

创建ARIMA(2, 1, 1)模型方程表示为:

( 1 + 0 。 5 l 2 ) ( 1 - - - - - - l ) y t = 3 。 1 + ( 1 - - - - - - 0 。 2 l ) ε t ,

在哪里<年代p一个n class="inlineequation"> ε t 是一系列的iid高斯随机变量。使用原来的代码来指定参数值方程的差分方程符号:

Δ y t = 3 。 1 - - - - - - 0 。 5 Δ y t - - - - - - 2 + ε t - - - - - - 0 。 2 ε t - - - - - - 1 。 

Mdl = arima (<年代p一个n style="color:#A020F0">“ARLags”2,<年代p一个n style="color:#A020F0">基于“增大化现实”技术的,-0.5,<年代p一个n style="color:#A020F0">' D ',1<年代p一个n style="color:#A020F0">“马”,-0.2,<年代p一个n style="color:#0000FF">…“不变”,3.1)
Mdl = arima与属性:描述:“arima(2, 1, 1)模型(高斯分布)”分布: Name = "Gaussian" P: 3 D: 1 Q: 1 Constant: 3.1 AR: {-0.5} at lag [2] SAR: {} MA: {-0.2} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN

Mdl是一个完全指定的华宇电脑对象,因为所有的参数是已知的。你可以通过Mdl任何华宇电脑目标函数除外估计。例如,图模型的脉冲响应函数24期使用冲动。

冲动(Mdl, 24)

图包含一个轴。标题的轴脉冲响应包含一个类型的对象。

打开生活的脚本

创建AR(1)模型方程表示为:

y t = 1 + ϕ y t - - - - - - 1 + ε t ,

在哪里<年代p一个n class="inlineequation"> ε t 是一系列的iid高斯随机变量均值为0,方差为0.5。使用简写语法来指定一个AR(1)模型的模板,然后使用点符号设置常数和方差属性。

Mdl = arima (1,0,0);Mdl。Constant = 1; Mdl.Variance = 0.5; Mdl
Mdl = arima与属性:描述:“arima(1,0,0)模型(高斯分布)”分布: Name = "Gaussian" P: 1 D: 0 Q: 0 Constant: 1 AR: {NaN} at lag [1] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.5

Mdl是一个部分指定华宇电脑对象。您可以修改属性值通过使用点符号或适应未知系数<年代p一个n class="inlineequation"> ϕ 通过使用数据估计,但是你不能通过Mdl其他任何对象的功能。

打开生活的脚本

创建ARIMA(1, 2)模型方程表示为:

( 1 - - - - - - ϕ 1 l - - - - - - ϕ 2 l 2 - - - - - - ϕ 3 l 3 ) ( 1 - - - - - - l ) y t = ( 1 + θ 1 l + θ 2 l 2 ) ε t ,

在哪里<年代p一个n class="inlineequation"> ε t 是一系列的iid高斯随机变量均值为0,方差吗<年代p一个n class="inlineequation"> σ 2 。

因为模型只包含季节性多项式,使用简写语法。

Mdl = arima (1、2)
Mdl = arima与属性:描述:“arima(3、1、2)模型(高斯分布)”分布: Name = "Gaussian" P: 4 D: 1 Q: 2 Constant: NaN AR: {NaN NaN NaN} at lags [1 2 3] SAR: {} MA: {NaN NaN} at lags [1 2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN

房地产P等于<年代p一个n class="inlineequation"> p +<年代p一个n class="inlineequation"> D =4。南价值元素显示有价值的参数。

打开生活的脚本

包括添加剂季节性滞后,指定滞后匹配适当的周期性。例如,创建添加剂每月马(12)模型方程来表示:

y t = ε t + θ 1 ε t - - - - - - 1 + θ 1 2 ε t - - - - - - 1 2 ,

在哪里<年代p一个n class="inlineequation"> ε t 是一系列的iid高斯随机变量均值为0,方差吗<年代p一个n class="inlineequation"> σ 2 。

Mdl = arima (<年代p一个n style="color:#A020F0">“不变”0,<年代p一个n style="color:#A020F0">“MALags”,12 [1])
Mdl = arima与属性:描述:“arima(0, 0, 12)模型(高斯分布)”分布: Name = "Gaussian" P: 0 D: 0 Q: 12 Constant: 0 AR: {} SAR: {} MA: {NaN NaN} at lags [1 12] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
打开生活的脚本

创建SARIMA<年代p一个n class="inlineequation"> ( 0 , 1 , 1 ) × ( 0 , 1 , 1 ) 12 模型(乘法、每月MA模型模板有一个程度的季节性和季节性集成)由这个方程表示:

( 1 - - - - - - l ) ( 1 - - - - - - l 1 2 ) y t = ( 1 + θ 1 l ) ( 1 + θ 1 2 l 1 2 ) ε t ,

在哪里<年代p一个n class="inlineequation"> ε t 是一系列的iid高斯随机变量均值为0,方差吗<年代p一个n class="inlineequation"> σ 2 。

Mdl = arima (<年代p一个n style="color:#A020F0">“不变”0,<年代p一个n style="color:#A020F0">' D ',1<年代p一个n style="color:#A020F0">“季节性”12<年代p一个n style="color:#0000FF">…“MALags”,1<年代p一个n style="color:#A020F0">“SMALags”,12)
Mdl = arima与属性:描述:“季节性arima(0, 1, 1)模型结合季节性马(12)(高斯分布)”分布: Name = "Gaussian" P: 13 D: 1 Q: 13 Constant: 0 AR: {} SAR: {} MA: {NaN} at lag [1] SMA: {NaN} at lag [12] Seasonality: 12 Beta: [1×0] Variance: NaN
打开生活的脚本

创建AR(3)模型方程表示为:

y t = 0 。 0 5 + 0 。 6 y t - - - - - - 1 + 0 。 2 y t - - - - - - 2 - - - - - - 0 。 1 y t - - - - - - 3 + ε t ,

在哪里<年代p一个n class="inlineequation"> ε t 是一系列的iid高斯随机变量均值为0,方差为0.01。

Mdl = arima (<年代p一个n style="color:#A020F0">“不变”,0.05,<年代p一个n style="color:#A020F0">基于“增大化现实”技术的{0.6,0.2,-0.1},<年代p一个n style="color:#A020F0">“方差”,0.01)
Mdl = arima与属性:描述:“arima(0, 0)模型(高斯分布)”分布: Name = "Gaussian" P: 3 D: 0 Q: 0 Constant: 0.05 AR: {0.6 0.2 -0.1} at lags [1 2 3] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.01

添加一个季节性马在落后2项系数0.2。然后,显示马财产。

Mdl.MA={00.2}
Mdl = arima与属性:描述:“arima(0, 2)模型(高斯分布)”分布: Name = "Gaussian" P: 3 D: 0 Q: 2 Constant: 0.05 AR: {0.6 0.2 -0.1} at lags [1 2 3] SAR: {} MA: {0.2} at lag [2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.01
Mdl.MA
ans =<年代p一个n class="emphasis">1×2单元阵列{[0]}{[0.2000]}

在模型中显示,滞后显示相应的滞后系数相关联。尽管MATLAB®删除新鲜感系数显示,属性存储系数保留它们。

改变模型常数1。

Mdl。Constant = 1
Mdl = arima与属性:描述:“arima(0, 2)模型(高斯分布)”分布: Name = "Gaussian" P: 3 D: 0 Q: 2 Constant: 1 AR: {0.6 0.2 -0.1} at lags [1 2 3] SAR: {} MA: {0.2} at lag [2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.01
打开生活的脚本

创建一个模板并指定iid AR(1)模型<年代p一个n class="inlineequation"> t 分布式创新与未知自由度。使用原来的代码。

Mdl = arima (<年代p一个n style="color:#A020F0">“ARLags”,1<年代p一个n style="color:#A020F0">“分布”,<年代p一个n style="color:#A020F0">“t”)
Mdl = arima与属性:描述:“arima(1,0,0)模型(t分布)”分布: Name = "t", DoF = NaN P: 1 D: 0 Q: 0 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN

自由度景深是南,这表明自由度是有价值的。

创建完全指定的AR(1)模型方程表示为:

y t = 0 。 6 y t - - - - - - 1 + ε t ,

在哪里<年代p一个n class="inlineequation"> ε t 是一个iid系列的<年代p一个n class="inlineequation"> t 分布式随机变量与10个自由度。使用原来的代码。

innovdist =结构(<年代p一个n style="color:#A020F0">“名字”,<年代p一个n style="color:#A020F0">“t”,<年代p一个n style="color:#A020F0">“景深”10);Mdl = arima (<年代p一个n style="color:#A020F0">“不变”0,<年代p一个n style="color:#A020F0">基于“增大化现实”技术的{0.6},<年代p一个n style="color:#0000FF">…“分布”innovdist)
Mdl = arima与属性:描述:“arima(1,0,0)模型(t分布)”分布: Name = "t", DoF = 10 P: 1 D: 0 Q: 0 Constant: 0 AR: {0.6} at lag [1] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
打开生活的脚本

创建ARMA(1,1)条件意味着模型包含一个拱(1)条件方差模型由这些方程表示:

y t = c + ϕ y t - - - - - - 1 + ε t + θ ε t - - - - - - 1 。 ε t = σ t z t 。 σ t 2 = κ + γ σ t - - - - - - 1 2 。 z t ∼ N ( 0 , 1 ) 。

创建ARMA(1,1)模型条件意味着模板使用简写语法。

Mdl = arima (1,0, - 1)
Mdl = arima与属性:描述:“arima(1,0, - 1)模型(高斯分布)”分布: Name = "Gaussian" P: 1 D: 0 Q: 1 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN

的方差的属性Mdl是南,这意味着模型方差未知常数。

创建拱(1)条件方差模型模板使用速记的语法garch。

CondVarMdl = garch (0,1)
CondVarMdl = garch的属性:描述:“garch(0, 1)条件方差模型(高斯分布)”分布: Name = "Gaussian" P: 0 Q: 1 Constant: NaN GARCH: {} ARCH: {NaN} at lag [1] Offset: 0

创建复合条件均值和方差模型模板通过设置方差的属性Mdl来CondVarMdl使用点符号。

Mdl。V一个r我一个nce = CondVarMdl
Mdl = arima与属性:描述:“arima(1,0, - 1)模型(高斯分布)”分布: Name = "Gaussian" P: 1 D: 0 Q: 1 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: [GARCH(0,1) Model]

所有南价值属性的条件均值和方差模型是有价值的。

打开生活的脚本

创建一个ARMAX模型(1、2)预测,美国个人消费支出的变化根据支付员工薪酬的变化。

美国宏观经济数据集加载。

负载<年代p一个n style="color:#A020F0">Data_USEconModel

数据表是一个MATLAB®时间表包含季度宏观经济从1947年测量:通过2009 Q1: Q1。PCEC个人消费支出系列,COE是员工的薪酬支付系列。这两个变量的水平。更多细节的数据输入描述在命令行中。

这个系列是不稳定的。为了避免伪回归,稳定的变量转换水平返回使用price2ret。计算样本大小。

pcecret = price2ret (DataTable.PCEC);coeret = price2ret (DataTable.COE);T =元素个数(pcecret);

因为从水平转换返回包括应用一阶差分,转换总样本量减少了一个观察。

创建一个ARMA(1,2)模型模板使用简写语法。

Mdl = arima (1 0 2);

在估计外生组件进入模型。因此,您不需要设置β的属性Mdl到一个南这估计适合与其他参数的模型数据。

ARMA(1、2)过程初始化需要Mdl.P= 1的观察。因此,presample时期是第一个时间点的数据(第一行)和估计样本的数据。指定变量识别presample和估计时间。

idxpre = Mdl.P;idx = (Mdl。P + 1): T;

适合的模型数据。指定presample通过使用“Y0”名称-值对的论点,并指定外生数据使用“X”名称-值对的论点。

EstMdl =估计(Mdl pcecret (idx),<年代p一个n style="color:#A020F0">“Y0”pcecret (idxpre),<年代p一个n style="color:#0000FF">…“X”coeret (idx));
ARIMAX(1 0 2)模型(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ __________常数0.0091866 0.001269 7.239 4.5203 e-13 AR {1} -0.13506 0.081986 -1.6474 0.099478 MA {1} -0.090445 0.082052 -1.1023 0.27034 MA {2} e-06β(1)4.3505 0.29671 0.064589 4.5939 0.5831 0.048884 11.928 3.1387 8.4532 e-33方差5.305 e-05 e-06 16.902 - 4.358 e - 64

估计,除了滞后1 MA系数,在0.1水平非常重要。

显示EstMdl。

EstMdl
EstMdl = arima与属性:描述:“ARIMAX(1 0 2)模型(高斯分布)”分布: Name = "Gaussian" P: 1 D: 0 Q: 2 Constant: 0.00918662 AR: {-0.135063} at lag [1] SAR: {} MA: {-0.0904452 0.296714} at lags [1 2] SMA: {} Seasonality: 0 Beta: [0.583095] Variance: 5.30503e-05

就像Mdl,EstMdl是一个华宇电脑模型对象代表一个ARMA(1、2)的过程。不像Mdl,EstMdl完全因为它是适合指定的数据,然后呢EstMdl包含一个外生组件,因此它是一个ARMAX模型(1、2)。

打开生活的脚本

创建一个华宇电脑模型对象的随机漫步在这个方程表示:

y t = y t - - - - - - 1 + ε t ,

在哪里<年代p一个n class="inlineequation"> ε t 是一系列的iid高斯随机变量均值为0,方差为1。

Mdl = arima (0,1,0);Mdl。Constant = 0; Mdl.Variance = 1; Mdl
Mdl = arima与属性:描述:“arima(0,1,0)模型(高斯分布)”分布: Name = "Gaussian" P: 1 D: 1 Q: 0 Constant: 0 AR: {} SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: 1

Mdl是一个完全指定的华宇电脑模型对象。

1000年模拟和情节路径长度为100的随机游走。

rng (1)<年代p一个n style="color:#228B22">%的再现性Y =模拟(Mdl, 100,<年代p一个n style="color:#A020F0">“NumPaths”,1000);情节(Y)标题(<年代p一个n style="color:#A020F0">“从随机游走过程模拟路径”)

图包含一个轴。坐标轴标题模拟路径的随机游走过程包含1000行类型的对象。

打开生活的脚本

预测纳斯达克每日收盘价500天的地平线。

美国股指数据集加载。

负载<年代p一个n style="color:#A020F0">Data_EquityIdx

数据集包含日常纳斯达克收盘价格从1990年到2001年。更多细节,回车描述在命令行中。

假设一个ARIMA(1, 1, 1)模型适合描述第一个1500年纳斯达克收盘价格。创建一个ARIMA(1, 1, 1)模型模板。

Mdl = arima (1, 1, 1);

估计需要presample的大小Mdl.P= 2。

适合的模型数据。指定前两个presample观测。

idxpre = 1: Mdl.P;idx = (Mdl。P + 1): 1500;EstMdl =估计(Mdl DataTable.NASDAQ (idx),<年代p一个n style="color:#0000FF">…“Y0”DataTable.NASDAQ (idxpre));
ARIMA(1, 1, 1)模型(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ __________常数AR {1} -0.076322 - 0.082045 0.43291 - 0.18607 2.3265 - 0.019989 -0.93025 - 0.35224 MA {1} e-05方差27.86 0.63785 43.678 5.0879 0.31312 0.077284 4.0516 0

预测最后值到一个500天的地平线通过估计模型预测。初始化模型预测,指定最后两个观测presample估计数据。

yf0 =数据表。NASDAQ(idxest(end - 1:end)); yf = forecast(EstMdl,500,yf0);

第一个2000年的观察和预测的阴谋。

日期= datetime(日期,<年代p一个n style="color:#A020F0">“ConvertFrom”,<年代p一个n style="color:#A020F0">“datenum”,<年代p一个n style="color:#0000FF">…“格式”,<年代p一个n style="color:#A020F0">“yyyy-MM-dd”);图h1 =情节(日期(1:20 00),DataTable.NASDAQ (1:20 00));持有<年代p一个n style="color:#A020F0">在h2 =情节(日期(1501:2000)、yf,<年代p一个n style="color:#A020F0">“r”);传奇((h1 h2),<年代p一个n style="color:#A020F0">“观察”,<年代p一个n style="color:#A020F0">“预测”,<年代p一个n style="color:#0000FF">…“位置”,<年代p一个n style="color:#A020F0">“西北”)标题(<年代p一个n style="color:#A020F0">“纳斯达克综合指数:1990-01-02 - 1997-11-25”)包含(<年代p一个n style="color:#A020F0">“时间(天)”)ylabel (<年代p一个n style="color:#A020F0">“收盘价”)举行<年代p一个n style="color:#A020F0">从

图包含一个轴。坐标轴标题纳斯达克综合指数:1990-01-02 - 1997-11-25包含2线类型的对象。这些对象代表观察,预测。

1995年开始后,模型预测几乎总是低估了真正的收盘价。

更多关于

全部展开

引用

[1]<年代p一个n>盒子,乔治·e·P。,Gwilym M. Jenkins, and Gregory C. Reinsel.时间序列分析:预测与控制。第三。恩格尔伍德悬崖,新泽西:普伦蒂斯霍尔,1994年。

另请参阅

应用程序

对象

  • |<年代p一个n itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代p一个n itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">

主题

介绍了R2012a

计量经济学工具文档

金宝app

一个实用指南与MATLAB建模金融风险

一个实用指南与MATLAB建模金融风险

下载电子书