模拟ARMA时间序列

使用100个观察模拟ARMA（2,1）时间序列。

mdl0 = Arima（“不变”，0.2，'AR'，{0.75，-0.4}，......'嘛', 0.7,'方差'，0.1）;RNG（“默认”）y =模拟（MDL0,100）;图绘图（y）xlim（[0,100]）标题（'模拟ARMA（2,1）系列'）

绘制样品ACF和PACF

为模拟数据绘制样本自相关函数（ACF）和部分自相关函数（PACF）。

图形子图（2,1,1）AutoCorR（Y）子图（2,1,2）ParcorR（Y）

样品ACF和PACF衰减均相对缓慢。这与ARMA模型一致。无法通过查看ACF和PACF来仅选择ARMA滞后，但似乎不超过四个AR或MA条款。

适合ARMA（P.那问：）模型到数据

为了找出最好的滞后，可以用不同的滞后选择来拟合几个模型。这里，适合所有的组合P.= 1,……4,问：= 1，......，4（共16个型号）。存储Loglikeliach目标函数和每个拟合模型的系数数。

logl = zeros（4,4）;％初始化PQ = 0 (4, 4);为了p = 1：4为了q = 1：4 mdl = Arima（p，0，q）;[estmdl，〜，logl] =估计（mdl，y，'展示'那'离开'）;logl（p，q）= logl;PQ（p，q）= p + q;结尾结尾

计算BIC.

计算每个拟合模型的BIC。模型中的参数数量是P.+问：+ 1（对于AR和MA系数，恒定术语）。数据集中的观察数为100。

logl =重塑（logl，16,1）;PQ = REPAPE（PQ，16,1）;[〜，bic] = aicbic（logl，pq + 1,100）;重塑（BIC，4,4）

ans =.4×4.108.6241 105.9489 109.4164 113.8443 99.1639 101.4348 102.9094 106.0305109489 99.6794 107.045 100.70725111106/207111106/2070111106。

在输出BIC矩阵中，行对应于AR度（P.），列对应于MA度（问：）。最小的价值是最好的。

最小的BIC值是99.1639.在（2,1）的位置。这对应于ARMA（2,1）模型，匹配生成数据的模型。