基于ARIMA误差的回归模型预测
这个例子展示了如何使用ARIMA(3,1,2)误差预测回归模型预测
而且模拟
.
模拟两个均值为2,方差为1的高斯预测器序列。
rng (1);T = 50;%样本量X = randn(T,2) + 2;
指定带有ARIMA(3,1,2)误差的回归模型:
在哪里 为均值为0,方差为2的高斯分布。
Mdl = regARIMA(“拦截”3,“β”(2, 1.5),基于“增大化现实”技术的{0.9, -0.5, 0.2},...' D '1 ',“马”{0.75, -0.15},“方差”2);
Mdl
是一个具有ARIMA(3,1,2)误差的完全指定回归模型。方法包括模拟
而且预测
需要完全指定的模型。
模拟30个观察Mdl
.
[y,e,u] =模拟(Mdl,30,“X”X (1:30:));
y
包含模拟响应。e
而且u
分别包含相应的模拟创新和无条件扰动。这是提供的最佳实践预测
如果它们是可用的,有预样创新和无条件扰动。
计算MMSE预测Mdl
未来使用20个周期预测
.计算相应的95%预测区间。
[yF,yMSE] =预报(Mdl,20,“X0”X (1:30,:)“情况”u...“E0”, e,“XF”X (31: T,:));yFCI = [yF,yF] + 1.96*[-sqrt(yMSE),sqrt(yMSE)];
yFCI
是一个包含20个预测区间的20 × 2矩阵。的第一列yFCI
包含预测区间的下界,第二列包含上界。
预测Mdl
用蒙特卡罗模拟未来20个周期。计算相应的95%预测区间
yMC =模拟(Mdl,20,“numPaths”, 1000,“X”X (31: T,),“情况”u“E0”, e);yMCBar = mean(yMC,2);yMCCI = prctile(yMC,[2.5,97.5],2);
yMCBar
是一个20乘1的向量,包含在预测范围内的蒙特卡罗预测。就像yFCI
,yMMCI
是一个包含预测区间的20 × 2矩阵,但基于蒙特卡罗模拟。
绘制两个预测集及其对应的95%预测区间。
图h1 =图(1:30,y);标题(“{\bf预测和95%预测区间}”)举行在h2 = plot(31:50,yF,“r”,“线宽”2);h3 = plot(31:50,yFCI;“r——”,“线宽”2);h4 = plot(31:50,yMCBar,“k”,“线宽”2);h5 = plot(31:50, ycci;“k——”,“线宽”2);情节(30:31 [repmat (y(结束),- 3,- 1),(yF (1) yFCI(: 1)]”),“b”)传说([h1, h2, h3 (1), h4, h5(1)]。“观察”,“MMSE预测”,...“MMSE预测区间”,“蒙特卡罗预测”,...蒙特卡罗预测区间,“位置”,“西南”)包含(“时间”) ylabel (“y”)轴紧持有从
MMSE和蒙特卡罗预测实际上是相同的。预测区间之间有微小的差异。
预测区间的宽度随着时间的增加而增加。这是综合误差预测的结果。