autocorr
样本自相关
语法
描述
例子
时间序列的自相关函数
指定马(2)模型:
在哪里 是高斯平均值为0,方差为1。
rng (1);%的再现性Mdl = arima (“马”{-0.5 - 0.4},“不变”0,“方差”,1)
Mdl = arima与属性:描述:“arima(0, 0, 2)模型(高斯分布)”Distribution: Name = "Gaussian" P: 0 D: 0 Q: 2 Constant: 0 AR: {} SAR: {} MA: {-0.5 0.4} at lags [1 2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: 1
模拟1000观察Mdl。
y =模拟(Mdl, 1000);
计算出ACF 20滞后。指定 马是一个(2)模型,即第二延迟后的ACF实际上是0。
(acf、滞后界限)= autocorr (y,“NumMA”2);界限
边界=2×10.0843 - -0.0843
界限(-0.0843,0.0843),上下的信心。
绘制ACF。
autocorr (y)
第二延迟后的ACF切断了。这种行为是指示性的马(2)的过程。
指定更多的滞后对ACF阴谋
指定季节性ARMA乘法 模型:
在哪里 是高斯平均值为0,方差为1。
Mdl = arima (基于“增大化现实”技术的{0.75,0.15},“特别行政区”{0.9,-0.5,0.5},…“SARLags”(12、24、36),“马”,-0.5,“不变”2,…“方差”1);
模拟的数据Mdl。
rng (1);%的再现性y =模拟(Mdl, 1000);
情节默认的自相关函数(ACF)。
图autocorr (y)
默认相关图不显示的依赖结构更高的滞后。
情节的ACF 40滞后。
图autocorr (y,“NumLags”现年40岁的“NumSTD”3)
相关图显示了较大的相关性在滞后12日24和36。
比较规范化的ACF和非规范系列
尽管存在各种样本自相关函数的估计,autocorr使用框中的表单,詹金斯,Reinsel, 1994。在他们的估计,他们规模在每个滞后相关样本方差(var (y, 1)),这样的自相关滞后0是团结。但是,某些应用程序需要重新调节规范化ACF的另一个因素。
模拟1000观察标准高斯分布。
rng (1);%的再现性y = randn (1000 1);
计算归一化和非规范样本ACF。
[normalizedACF,滞后]= autocorr (y,“NumLags”10);unnormalizedACF = normalizedACF * var (y, 1);
比较样品的前10滞后ACF和没有规范化。
(滞后normalizedACF unnormalizedACF]
ans =11×30 1.0000 0.9960 1.0000 -0.0180 -0.0180 2.0000 0.0536 0.0534 3.0000 -0.0206 -0.0205 4.0000 -0.0300 -0.0299 5.0000 -0.0086 -0.0086 6.0000 -0.0108 -0.0107 7.0000 -0.0116 -0.0116 8.0000 0.0309 0.0307 9.0000 0.0341 0.0340⋮
输入参数
输出参数
更多关于
提示
情节ACF没有信任边界,设置“NumSTD”, 0。
算法
如果
y是一个完全观察系列(也就是说,它不包含任何南值),然后autocorr使用傅里叶变换计算出ACF在频域中,然后再转换回时域使用傅里叶反变换。如果
y不完全观察到(也就是说,它包含至少一个吗南值),autocorr计算的ACF滞后k在时域中,包括在样本平均只有这些术语的叉乘ytyt+k的存在。因此,有效的样本大小是一个随机变量。autocorr情节ACF当你不要求任何输出或当你请求第四输出。
引用
[1],g . e . P。,G. M. Jenkins, and G. 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。
[2]汉密尔顿,j . D。时间序列分析。普林斯顿,纽约:普林斯顿大学出版社,1994年。
