替代ARIMA模型表示
数学的发展regARIMA ARIMAX模型转换
ARIMAX模型和回归模型与ARIMA错误是密切相关的,和使用的选择通常是由你的目标的分析。如果你的目标是符合一个吝啬的模型数据和预测反应,然后是两个模型之间的差异非常小。
如果你更感兴趣的是保留的通常解释的回归系数作为衡量敏感性,即。的影响一个单位一个预测变量的变化反应,然后使用回归模型与ARIMA错误。回归系数在ARIMAX模型不具备这种解释,因为动态响应的依赖[1]。
假设您有一个回归模型的参数估计ARIMA错误,你想看看ARIMAX模型的模型结构进行比较。或者,假设你想让一些洞察潜在的两个模型之间的关系。
ARIMAX模型(t= 1,…,T):
(1) |
yt是单变量的反应级数。
Xt是行t的X,它是连接的矩阵预测系列。也就是说,Xt是观察t每个预测系列。
β回归系数。
c回归模型拦截。
这是学位P滞后算子多项式捕获的双重影响,季节性和季节性自回归多项式,季节性和季节性集成多项式。符号的更多细节,请参阅乘法ARIMA模型是什么?。
这是学位问滞后算子多项式的综合效应,抓住季节性和季节性移动平均多项式。
εt创新是一个白噪声过程。
回归模型与ARIMA错误(t= 1,…,T)
(2) |
ut是无条件的干扰过程。
这是学位P滞后算子多项式捕获的双重影响,季节性和季节性自回归多项式,季节性和季节性集成多项式。
这是学位问滞后算子多项式的综合效应,抓住季节性和季节性移动平均多项式。
中定义的变量的值方程2并不一定等同于变量的值呢方程1,尽管符号可能是相似的。
考虑方程2,回归模型与ARIMA错误。使用以下操作转换回归模型与ARIMA模型相应的ARIMAX错误。
解出ut。
替代ut进入回归方程。
解出yt。
(3) 一个(l)c= (1 -一个1- - - - - -一个2-……一个P)c。即ARIMAX模型中的常数是拦截的回归模型与ARIMA与非线性约束错误。尽管应用程序,例如
模拟
处理这种约束,估计
不能把这样的约束。在后一种情况下,这些模型是等价的,当你解决拦截和常数为0。在这个术语一个(l)Xtβ,滞后算子多项式一个(l)过滤器T1的向量Xtβ,这是由回归的线性组合预测加权系数。这个过滤过程需要Ppresample观测预测系列。
华宇电脑
构造矩阵Zt如下:每一列的Zt对应于每一项一个(l)。
第一列的Zt是向量Xtβ。
第二列的Zt是一个序列d2
南
s (d2第二项的程度吗一个(l),其次是产品 。也就是说,软件高度d2南
年代初的T1列,高度Xtβ后南
结束的年代,但这样的产品d2观察。的jth列Zt是一个序列dj
南
s (dj的程度是j届任期一个(l),其次是产品 。也就是说,软件高度dj南
年代初的T1列,高度Xtβ后南
结束的年代,但这样的产品dj观察。
。
Γ= [1——一个1——一个2…——一个P)”。
的
华宇电脑
转换器会删除所有新鲜感自回归系数的差分方程。随后,华宇电脑
转换器不副新鲜感与列自回归系数Zt,也不包括相应,新鲜感系数Γ。
重写方程3,
例如,考虑下面的回归模型的错误是ARMA (2, 1):
(4) |
或
在哪里Γ-0.8 - 0.4 = [1]
这个模型不是集成因为与AR多项式相关联的特征值都是在单位圆内,但预测可能影响稳定的过程。同时,你需要presample回到至少2周期预测数据,例如,数据模型。
在MATLAB®显示转换
说明了在MATLAB®转换模型仿真和评估。
指定的回归模型与ARIMA错误方程4。
MdlregARIMA0 = regARIMA (“拦截”,0.2,基于“增大化现实”技术的{0.8 - -0.4},…“马”,0.3,“β”(0.3 - -0.2),“方差”,0.2);
生成presample观察和预测数据。
rng (1);%的再现性T = 100;maxPQ = max (MdlregARIMA0.P MdlregARIMA0.Q);numObs = T + maxPQ;presample占%调整数量的观察XregARIMA = randn (numObs 2);%模拟预测数据情况= randn (maxPQ, 1);% Presample无条件干扰u (t)e0 = randn (maxPQ, 1);% Presample创新e (t)
模拟的数据回归模型与ARIMA错误MdlregARIMA0
。
rng (100)%为一致的种子与后来的电话(y1, e1, u1) =模拟(MdlregARIMA0 T“情况”情况,…“E0”下,,“X”,XregARIMA);
回归模型与ARIMA错误转换成一个ARIMAX模型。
[MdlARIMAX0, XARIMAX] = arima (MdlregARIMA0,“X”,XregARIMA);MdlARIMAX0
MdlARIMAX0 = arima与属性:描述:“ARIMAX(2 0 1)模型(高斯分布)”D是tribution: Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: 0.12 AR: {0.8 -0.4} at lags [1 2] SAR: {} MA: {0.3} at lag [1] SMA: {} Seasonality: 0 Beta: [1 -0.8 0.4] Variance: 0.2
生成ARIMAX presample响应模型与回归模型与ARIMA确保一致性错误。从ARIMAX模型模拟数据。
y0 = MdlregARIMA0。在tercept + XregARIMA(1:maxPQ,:)*MdlregARIMA0.Beta' + u0; rng(100)%为一致的种子与早期的电话y2 =模拟(MdlARIMAX0 T“Y0”,y0,“E0”下,,“X”,XARIMAX);图绘制(日元“线宽”,3)在情节(y2,“:”,“线宽”,2.5)从标题(“\高炉模拟路径”)传说(“regARIMA模式”,“ARIMAX模式”,“位置”,“最佳”)
都是平等的,因为模拟路径华宇电脑
转换器执行时的非线性约束转换回归模型拦截ARIMAX模型常数。
适合一个回归模型与ARIMA模拟数据错误。
MdlregARIMA0 = regARIMA (“ARLags”(1 - 2),“MALags”1);EstMdlregARIMA =估计(MdlregARIMA0, y1,“E0”下,,“情况”情况,“X”,XregARIMA);
回归与ARMA(2, 1)误差模型(高斯分布):价值StandardError TStatistic PValue ________ _________________ __________ __________拦截AR {1} 0.83061 - 0.1375 0.14074 - 0.1014 1.3879 - 0.16518 6.0407 - 1.5349 e-09 AR{2} -0.45402 0.1164 -3.9007 9.5927马e-05{1} 0.42803 0.15145 2.8262 0.0047109β(1)0.29552 0.022938 12.883 5.597 38吗β(2)e-09方差8.8941 -0.17601 0.030607 -5.7506 0.18231 0.027765 6.5663 5.1569 e-11
适合一个ARIMAX模型来模拟数据。
MdlARIMAX = arima (“ARLags”(1 - 2),“MALags”1);EstMdlARIMAX =估计(MdlARIMAX y2,“E0”下,,“Y0”,…y0,“X”,XARIMAX);
ARIMAX(0,1)模型(高斯分布):价值StandardError TStatistic PValue ________ _________________ __________ __________常数AR {1} 0.83136 - 0.13634 0.084996 - 0.064217 1.3236 - 0.18564 6.0975 - 1.0775 e-09 AR {2} -0.45599 0.11788 -3.8683 0.0001096 MA{1} 0.426 0.15753 2.7043 0.0068446β(1)1.053 0.13685 7.6949 1.4166 e-14β(2)-0.6904 0.19262 -3.5843 0.00033796 Beta(3)方差0.45399 0.15352 2.9572 0.0031047 0.18112 0.028836 6.281 3.3635平台以及
转换估计回归模型与ARIMA错误EstMdlregARIMA
为ARIMAX模式。
ConvertedMdlARIMAX = arima (EstMdlregARIMA,“X”XregARIMA)
ConvertedMdlARIMAX = arima与属性:描述:“ARIMAX(2 0 1)模型(高斯分布)”D是tribution: Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: 0.087737 AR: {0.830611 -0.454025} at lags [1 2] SAR: {} MA: {0.428031} at lag [1] SMA: {} Seasonality: 0 Beta: [1 -0.830611 0.454025] Variance: 0.182313
估计ARIMAX模型常数不等于ARIMAX模型常数转换回归模型与ARIMA的错误。换句话说,EstMdlARIMAX.Constant
是0.084996
和ConvertedMdlARIMAX.Constant
=0.087737
。差异的原因估计
不执行的非线性约束华宇电脑
转换器执行。结果,其他的估计接近,但不是平等的。
引用
[1]Hyndman, r . j .(2010年10月)。“ARIMAX模式混乱。”罗伯·j·Hyndman。检索2017年5月4日https://robjhyndman.com/hyndsight/arimax/
。