使用计量计量型号应用程序估算乘法Arima模型- MATLAB & Simulink - MathWorks 한국

使用计量计量型号应用程序估算乘法Arima模型

This example shows how to estimate a multiplicative seasonal ARIMA model by using the Econometric Modeler app.数据集data_airline.。mat包含每月的航空公司乘客计数。

将数据导入经济型号

在命令行，加载data_airline.。mat数据集。

加载data_airline.

At the command line, open the计量计量仪器应用程序。

COMOLOMETRICMODELER.

或者，从Apps Gallery打开应用程序（参见计量计量仪器）。

进口可以数据into the app:

在这方面计量计量仪器T.ab, in the进口部分，点击。
In the进口数据对话框，在进口？column, select the check box for the可以数据多变的。
点击进口。

变量PSSG出现在时间序列窗格，它的值出现在Preview窗格，它的时间序列情节出现在其中时间序列Plot(PSSG)图窗口。

该系列展示了季节性趋势，串联相关性和可能的指数增长。有关串行相关的互动分析，请参阅Detect Serial Correlation Using Econometric Modeler App。

Stabilize Series

通过将日志转换应用于来解决指数趋势PSSG。

In the时间序列窗格，选择PSSG。
在这方面计量计量仪器T.ab, in the转变部分，点击日志。

变换变量pssglog.出现在时间序列窗格，它的值出现在Preview窗格，它的时间序列情节出现在其中时间序列情节（PSSGLOG）图窗口。

指数增长似乎从该系列中取出。

通过应用第12次季节差异来解决季节趋势。和pssglog.选中在时间序列窗格，在计量计量仪器T.ab, in the转变部分，集季节性的到12.。然后，点击季节性的。

变换变量pssglogseasonaldiff出现在时间序列窗格，它的时间序列情节出现在其中时间序列情节（Pssglogseasonaldiff）图窗口。

转换的系列似乎有一个单位根。

Test the null hypothesis thatpssglogseasonaldiff通过使用增强的DICKEY-FULLER测试有一个单位根。指定备选方案是AR（0）模型，然后再次测试指定AR（1）模型。将显着性水平调整为0.025以保持总意义水平为0.05。

和pssglogseasonaldiff选中在时间序列窗格，在计量计量仪器T.ab, in the测试部分，点击新测试>增强DICKEY-FULLER测试。
在这方面ADF.T.ab, in the参数部分，集意义水平到0.025。
In the测试部分，点击Run Test。
In the参数部分，集滞后数量到1。
In the测试部分，点击Run Test。

测试结果出现在结果表的表adf（pssglogseasonaldiff）文档。

Both tests fail to reject the null hypothesis that the series is a unit root process.

通过应用第一个差异来解决单位根目录pssglogseasonaldiff。和pssglogseasonaldiff选中在时间序列pane, click the计量计量仪器T.ab. Then, in the转变部分，点击不同之处。

变换变量pssglogseasonaldiffdiff出现在时间序列窗格，它的时间序列情节出现在其中时间序列情节（Pssglogseashaldiffdiff）图窗口。

In the时间序列窗格，重命名pssglogseasonaldiffdiffvariable by clicking it twice to select its name and enteringpssgstable.。

该应用程序更新与转换系列关联的所有文档的名称。

Identify Model for Series

通过绘制样本自相关函数（ACF）和部分自相关函数（PACF）来确定数据的条件平均模型的滞后结构。

和pssgstable.选中在时间序列pane, click the绘图T.ab, then clickACF.。
Show the first 50 lags of the ACF. On theACF.标签，设置滞后数量到50.。
点击绘图T.ab, then clickPACF.。
显示PACF的前50个滞后。在这方面PACF.标签，设置滞后数量到50.。
拖ACF.（pssgstable.的）图窗口高于PACF（PSSGStable）图窗口。

根据[1]，ACF和PACF中的自相关表明以下Sarima（0,1,1）×（0,1,1）_12.模型适用于PSSGLOG。

$（ 1 - L. 的）（ 1 - {L.}^{12.} 的） y_{T.} = （ 1 + θ_{1} L. 的）（ 1 + Θ_{12.} {L.}^{12.} 的） ε_{T.} 。$

关闭所有图形窗口。

Specify and Estimate SARIMA Model

指定Sarima（0,1,1）×（0,1,1）_12.模型。

In the时间序列窗格，选择pssglog.时间序列。
在这方面计量计量仪器T.ab, in the楷模部分，单击箭头>Sarima.。
In theSarima模型参数对话框，在滞后顺序标签：
- 零食部分
  1. 放整合程度到1。
  2. 放Moving Average Order到1。
  3. 清除包括常数术语复选框。
- 季节性的部分
  1. 放Period到12.表示每月数据。
  2. 放Moving Average Order到1。
  3. 选择Include Seasonal Difference复选框。
点击估计。

模型变量Sarima._PSSGLog出现在楷模窗格，它的值出现在Preview窗格，它的估计摘要出现在模型摘要（Sarima_pssglog）文档。

结果包括：

Model Fit- 时间序列情节pssglog.and the fitted values fromSarima._PSSGLog。
Residual Plot- 一个时间序列曲线的残差Sarima._PSSGLog。
参数- 估计参数表Sarima._PSSGLog。因为在估计期间，恒定术语被固定为0，所以其值和标准误差为0。
适合的善良- AIC和BIC拟合统计数据Sarima._PSSGLog。

References

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

也可以看看