regARIMA类

超类:

建立回归模型与ARIMA时间序列错误

扩展所有的页面

描述

regARIMA创建一个回归模型与ARIMA时间序列错误保持敏感性对回归系数的理解。创建一个ARIMA模型包含外生因素的线性回归组件(ARIMAX),看到的华宇电脑。

默认情况下,时间序列错误(也称为无条件的干扰)是独立的,同分布,平均0高斯随机变量。如果有自相关结构的错误,那么您可以指定模型。模型包括:

移动平均线(MA)
自回归(AR)
混合自回归和移动平均(ARMA)
综合(ARIMA)
乘法季节性(SARIMA)

指定包含已知误差模型系数:

模拟反应使用模拟。
探索脉冲响应使用冲动。
预测未来观察使用预测。
估计未知系数的数据使用估计。

建设

Mdl= regARIMA创建一个回归模型与学位0 ARIMA错误和没有回归系数。

Mdl= regARIMA (p,D,问)创建一个回归模型与季节性建模误差,线性时间序列自回归的程度p,差分化程度D和移动平均程度问。

Mdl= regARIMA (名称,值)创建一个回归模型与ARIMA错误使用由一个或多个指定附加选项名称,值对参数。的名字也可以是属性名和价值相应的价值。的名字必须出现在单引号(”)。您可以指定数名称,值两参数在任何顺序Name1, Value1,…,的家。

输入参数

请注意

对于季节性ARIMA的回归模型错误,使用p,D,问。回归模型的季节性ARIMA错误,使用名称,值对参数。

`p`	季节性、自回归多项式度误差模型,指定为一个正整数。
`D`	季节性集成程度的误差模型,指定为一个非负整数。
`问`	季节性、移动平均多项式度误差模型,指定为一个正整数。

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

拦截

回归模型拦截,指定为逗号分隔组成的“拦截”和一个标量。

默认值:南

β

回归模型系数的预测数据,指定为逗号分隔组成的“β”和一个向量。

默认值:[](没有回归系数对应的预测数据)

基于“增大化现实”技术

季节性,自回归系数的误差模型,指定为逗号分隔组成的基于“增大化现实”技术的细胞和向量。系数必须产生一个稳定的多项式。

如果您指定ARLags,然后基于“增大化现实”技术细胞是一个等效长度系数向量与滞后ARLags。例如,如果ARLags=(1、4)和基于“增大化现实”技术={0.2,0.1}那么,忽略所有其他规格,误差模型 $u_{t} = 0.2 u_{t - 1} + 0.1 u_{t - 4} + ε_{t} 。$
如果你不指定ARLags,然后基于“增大化现实”技术是细胞在滞后系数向量1,2,…,p,这是季节性自回归多项式学位。例如,如果基于“增大化现实”技术={0.2,0.1}你没有指定ARLags那么,忽略所有其他规格,误差模型 $u_{t} = 0.2 u_{t - 1} + 0.1 u_{t - 2} + ε_{t} 。$

的系数基于“增大化现实”技术对应于在一个潜在的系数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,regARIMA不包括系数及其相应的滞后ARLags从模型。

默认值:细胞的向量南与相同的长度ARLags。

马

季节性,移动平均系数的误差模型,指定为逗号分隔组成的“马”细胞和向量。系数必须产生一个可逆的多项式。

如果您指定MALags,然后马细胞是一个等效长度系数向量与滞后MALags。例如,如果MALags=(1、4)和马={0.2,0.1}那么,忽略所有其他规格,误差模型 $u_{t} = ε_{t} + 0.2 ε_{t - 1} + 0.1 ε_{t - 4} 。$
如果你不指定MALags,然后马是细胞在滞后系数向量1,2,…,问是季节性的,移动平均线多项式学位。例如,如果马={0.2,0.1}你没有指定MALags那么,忽略所有其他规格,误差模型 $u_{t} = ε_{t} + 0.2 ε_{t - 1} + 0.1 ε_{t - 2} 。$
的系数马对应于在一个潜在的系数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,regARIMA不包括系数及其相应的滞后MALags从模型。

默认值:细胞的向量南与相同的长度MALags。

ARLags

滞后的基于“增大化现实”技术在误差模型系数,指定为逗号分隔两人组成的“ARLags”和一个向量的正整数。

默认值:向量的整数1、2、……p、季节性自回归多项式学位。

MALags

滞后的马在误差模型系数,指定为逗号分隔两人组成的“MALags”和一个向量的正整数。

默认值:向量的整数1、2、……问多项式,季节性移动平均程度。

特别行政区

季节性的,误差模型的自回归系数,指定为逗号分隔组成的“特别行政区”细胞和向量。必须产生一个稳定的系数多项式。

如果您指定SARLags,然后特别行政区细胞是一个等效长度系数向量与滞后SARLags。例如,如果SARLags = [1,4],SAR = {0.2, 0.1},季节性= 4那么,忽略所有其他规格,误差模型

$(1 - 0.2 l - 0.1 l^{4}) (1 - l^{4}) u_{t} = ε_{t} 。$
如果你不指定SARLags,然后特别行政区是细胞在滞后系数向量1,2,…,p_年代,季节性自回归多项式学位。例如,如果SAR = {0.2, 0.1}和季节性= 4,你没有指定SARLags那么,忽略所有其他规格,误差模型

$(1 - 0.2 l - 0.1 l^{2}) (1 - l^{4}) u_{t} = ε_{t} 。$

的系数特别行政区对应于在一个潜在的系数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,regARIMA不包括系数及其相应的滞后SARLags从模型。

默认值:细胞的向量南与相同的长度SARLags。

SMA

季节性的,移动平均误差模型系数,指定为逗号分隔组成的SMA的细胞和向量。必须产生一个可逆的多项式的系数。

如果您指定SMALags,然后SMA细胞是一个等效长度系数向量与滞后SMALags。例如,如果SMALags=(1、4),SMA={0.2,0.1},季节性= 4,忽略所有其他规格,误差模型 $(1 - l^{4}) u_{t} = (1 + 0.2 l + 0.1 l^{4}) ε_{t} 。$
如果你不指定SMALags,然后SMA是细胞在滞后系数向量1,2,…,问_年代、季节性移动平均多项式学位。例如,如果SMA={0.2,0.1}和季节性= 4,您没有指定SMALags那么,忽略所有其他规格,误差模型 $(1 - l^{4}) u_{t} = (1 + 0.2 l + 0.1 l^{2}) ε_{t} 。$

的系数SMA对应于在一个潜在的系数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,regARIMA不包括系数及其相应的滞后SMALags从模型。

默认值:细胞的向量南与相同的长度SMALags。

SARLags

滞后的特别行政区在误差模型系数,指定为逗号分隔两人组成的“SARLags”和一个向量的正整数。

默认值:向量的整数1、2、……p_年代、季节性自回归多项式学位。

SMALags

滞后的SMA在误差模型系数,指定为逗号分隔两人组成的“SMALags”和一个向量的正整数。

默认值:向量的整数1、2、……问_年代,季节性移动平均多项式学位。

D

季节性差分多项式程度(即。,nonseasonal integration degree) for the error model, specified as the comma-separated pair consisting of' D '和一个非负整数。

默认值:0(没有季节性集成)

季节性

季节差分多项式度误差模型,指定为逗号分隔组成的“季节性”和一个非负整数。

默认值:0(没有季节性的集成)

方差

方差模型的创新ε_t,指定为逗号分隔两人组成的“方差”和积极的标量。

默认值:南

分布

条件概率分布的创新过程,指定为逗号分隔组成的“分布”和分配名称数组或结构描述分布。

分布分布的名字结构数组

高斯 “高斯” 结构(“名字”,“高斯”)

学生的t

“t”

默认情况下,景深是南。

结构(“名字”,“t”,景深,景深)

景深> 2或景深=南

默认值:“高斯”

描述

字符串标量或特征向量描述模型。默认情况下,这个观点描述了模型的参数形式,例如,“ARIMA(1 1 1)误差模型(高斯分布)”。

请注意

指定与季节性多项式相关的滞后特别行政区和SMA周期性的观测数据,不作为的倍数季节性参数。本公约不符合标准的盒子和詹金斯[1]符号,但它是一个更灵活的方法将乘法季节性。

属性

`基于“增大化现实”技术`	细胞向量的季节性自回归系数对应于一个稳定的误差模型的多项式。相关滞后1,2,…,p、这是季节性自回归多项式学位,或作为中指定`ARLags`。
`β`	真正的回归系数对应的列向量矩阵的预测数据。
`D`	非负整数表示季节性集成程度的误差模型。
`描述`	字符串标量模型描述。
`分布`	数据结构的条件概率分布创新过程。这个领域`的名字`存储分配的名字`“高斯”`或`“t”`。如果分布`“t”`,结构也有`景深`存储的自由度。
`拦截`	标量拦截在误差模型。
`马`	细胞季节性移动平均系数向量对应一个可逆的多项式的误差模型。相关滞后1,2,…,问多项式的季节性移动平均次数,或作为中指定`MALags`。
`P`	标量、复合自回归多项式程度的误差模型。 `P`滞后的总数观测需要初始化自回归误差模型的组件。`P`包括季节性和季节性的影响,集成了属性`D`和`季节性`分别和季节性和季节性自回归多项式`基于“增大化现实”技术`和`特别行政区`,分别。 `P`并不一定符合标准的盒子和詹金斯符号[1]。如果`D = 0`,`季节性= 0`,`SAR = {}`,然后`P`符合标准的符号。
`问`	标量、复合移动均线多项式程度的误差模型。 `问`滞后的总数创新需要初始化移动平均模型的组件。`问`包括季节性和季节性移动平均多项式的影响`马`和`SMA`,分别。 `问`并不一定符合标准的盒子和詹金斯符号[1]。如果`SMA = {}`,然后`问`符合标准的符号。
`特别行政区`	细胞季节性自回归系数向量对应一个稳定误差模型的多项式。相关滞后1,2,…,p_年代季节性自回归多项式学位,或作为中指定`SARLags`。
`SMA`	细胞季节性移动平均系数向量对应一个可逆的多项式的误差模型。相关滞后1,2,…,问_年代季节性移动平均多项式学位,或作为中指定`SMALags`。
`季节性`	非负整数表示季节差分多项式度误差模型。
`方差`	积极的标量方差模型的创新。

方法

华宇电脑	转换回归模型与ARIMA ARIMAX模型错误
估计	估计参数的回归模型与ARIMA错误
过滤器	过滤干扰通过回归模型与ARIMA错误
预测	预测反应的回归模型与ARIMA错误
冲动	脉冲响应的回归模型与ARIMA错误
推断出	推断出创新的回归模型与ARIMA错误
打印	(删除)显示回归模型ARIMA错误的估计结果
模拟	蒙特卡罗模拟的回归模型与ARIMA错误
总结	显示估计回归模型与ARIMA错误的结果

复制语义

价值。学习如何价值类影响复制操作,明白了复制对象。

例子

全部折叠

指定一个回归模型与季节性ARIMA错误

打开生活的脚本

指定以下回归模型与ARIMA(2, 1, 3)错误:

$\begin{array}{c} y_{t} = u_{t} \\ (1 - - - - - - ϕ_{1} l - - - - - - ϕ_{2} l^{2}) (1 - - - - - - l) u_{t} = (1 + θ_{1} l + θ_{2} l^{2} + θ_{3} l^{3}) ε_{t} 。 \end{array}$

Mdl = regARIMA (2, 1, 3)

Mdl = regARIMA属性:描述:“ARIMA(2, 1, 3)误差模型(高斯分布)”分布: Name = "Gaussian" Intercept: NaN Beta: [1×0] P: 3 D: 1 Q: 3 AR: {NaN NaN} at lags [1 2] SAR: {} MA: {NaN NaN NaN} at lags [1 2 3] SMA: {} Variance: NaN

输出显示属性的值P,D,问的Mdl。相应的自回归和移动平均系数(包含在基于“增大化现实”技术和马)是细胞数组包含正确的数量南值。请注意,P=p+D= 3,表明你需要三个presample观察初始化模型来估计。

修改一个回归模型与ARIMA错误

打开生活的脚本

定义了回归模型与ARIMA错误:

$\begin{array}{llllllllllllllllllll} \begin{array}{c} y_{t} = 2 + X_{t} (\begin{array}{cccccccccccccccccccc} 1 。 5 \\ 0 。 2 \end{array}] + u_{t} \\ (1 - - - - - - 0 。 2 l - - - - - - 0 。 3 l^{2}) u_{t} = (1 + 0 。 1 l) ε_{t}, \end{array} \end{array}$

在哪里 $ε_{t}$ 是高斯方差为0.5。

Mdl = regARIMA (“拦截”2,基于“增大化现实”技术的{0.2 - 0.3},“马”{0.1},…“方差”,0.5,“β”(1.5 - 0.2))

Mdl = regARIMA属性:描述:“回归ARMA(2, 1)误差模型(高斯分布)”分布: Name = "Gaussian" Intercept: 2 Beta: [1.5 0.2] P: 2 Q: 1 AR: {0.2 0.3} at lags [1 2] SAR: {} MA: {0.1} at lag [1] SMA: {} Variance: 0.5

Mdl完全指定,例如,模拟的一系列反应的预测数据矩阵, $X_{t}$ 。

修改模型来估计回归系数,基于“增大化现实”技术术语,和创新的方差。

Mdl。β=(南南]; Mdl.AR = {NaN NaN}; Mdl.Variance = NaN;

改变创新分布 $t$ 分布有15自由度。

Mdl。D是tribution = struct(“名字”,“t”,“景深”15)

Mdl = regARIMA属性:描述:“回归ARMA(2, 1)误差模型(t分布)”分布: Name = "t", DoF = 15 Intercept: 2 Beta: [NaN NaN] P: 2 Q: 1 AR: {NaN NaN} at lags [1 2] SAR: {} MA: {0.1} at lag [1] SMA: {} Variance: NaN

指定一个回归模型与SARIMA错误

打开生活的脚本

指定以下模型:

$\begin{array}{llllllllllllllllllll} \begin{array}{c} y_{t} = 1 + 6 X_{t} + u_{t} \\ (1 - - - - - - 0 。 2 l) (1 - - - - - - l) (1 - - - - - - 0 。 5 l^{4} - - - - - - 0 。 2 l^{8}) (1 - - - - - - l^{4}) u_{t} = (1 + 0 。 1 l) (1 + 0 。 05 l^{4} + 0 。 01 l^{8}) ε_{t}, \end{array} \end{array}$

在哪里 $ε_{t}$ 与方差高斯1。

Mdl = regARIMA (“拦截”,1“β”6基于“增大化现实”技术的,0.2,…“马”,0.1,“特别行政区”{0.5,0.2},“SARLags”(4、8),…SMA的{0.05,0.01},“SMALags”,8 [4],' D ',1…“季节性”4“方差”,1)

Mdl = regARIMA属性:描述:“回归ARIMA(1, 1, 1)误差模型季节性马结合季节性AR(8)和(8)(高斯分布)”分布: Name = "Gaussian" Intercept: 1 Beta: [6] P: 14 D: 1 Q: 9 AR: {0.2} at lag [1] SAR: {0.5 0.2} at lags [4 8] MA: {0.1} at lag [1] SMA: {0.05 0.01} at lags [4 8] Seasonality: 4 Variance: 1

如果你不指定SARLags或SMALags,那么系数特别行政区和SMA默认对应落后1和2。

Mdl = regARIMA (“拦截”,1“β”6基于“增大化现实”技术的,0.2,…“马”,0.1,“特别行政区”{0.5,0.2},SMA的{0.05,0.01},…' D ',1“季节性”4“方差”,1)

Mdl = regARIMA属性:描述:“回归ARIMA(1, 1, 1)误差模型季节性马结合季节性AR(2)和(2)(高斯分布)”分布: Name = "Gaussian" Intercept: 1 Beta: [6] P: 8 D: 1 Q: 3 AR: {0.2} at lag [1] SAR: {0.5 0.2} at lags [1 2] MA: {0.1} at lag [1] SMA: {0.05 0.01} at lags [1 2] Seasonality: 4 Variance: 1