模型季节性使用指标变量——MATLAB和Simulink滞后影响金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

使用指标变量模型季节性的滞后影响

打开生活的脚本

这个例子展示了如何估算一个季节性ARIMA模型:

模型使用乘法季节性季节性影响模型。
使用指标变量的回归组件季节性影响,称为季节性的假人。

随后,他们的预测表明,该方法产生相似的结果。国际航空客运量时间序列每月从1949年到1960年。

步骤1。加载数据。

加载数据集Data_Airline每月,情节的自然对数乘客总数计数。

负载(fullfile (matlabroot“例子”,“经济学”,“Data_Airline.mat”)dat =日志(数据);%变换对数刻度T =大小(dat, 1);y = dat (1:103);%估计样本

y的部分是dat用于估计,剩下的dat是坚持样品比较两个模型的预测。

步骤2。定义和模型指定季节性滞后。

创建一个ARIMA $(0, 1, 1) (0, 1, 1)_{12}$ 模型

$(1 - - - - - - l) (1 - - - - - - l^{12}) y_{t} = (1 + θ_{1} l) (1 + Θ_{12} l^{12}) ε_{t},$

在哪里 $ε_{t}$ 是一个独立的系列和恒等分布的正态分布均值为0,方差吗 $σ^{2}$ 。使用估计以适应Mdl1来y。

Mdl1 = arima (“不变”0,“MALags”,1' D ',1…“SMALags”12“季节性”12);EstMdl1 =估计(Mdl1 y);

季节性ARIMA(0, 1, 1)模型结合季节性马(12)(高斯分布):价值StandardError TStatistic PValue ________ _________________ __________ __________常数0 0南南妈{1}e-05 SMA{12} 4.9286 -0.35732 0.088031 -4.059 -0.61469 0.096249 -6.3864 1.6985平台以及方差0.001305 0.0001527 8.5467 1.2671 e-17

拟合模型

$(1 - - - - - - l) (1 - - - - - - l^{12}) y_{t} = (1 - - - - - - 0 。 357 l) (1 - - - - - - 0 。 615 l^{12}) ε_{t},$

在哪里 $ε_{t}$ 系列是一个iid正态分布均值为0,方差为0.0013。

步骤3。定义和适合使用季节性假人模型。

创建一个ARIMAX(0, 1, 1)模型周期12季节差分和回归组件,

$(1 - - - - - - l) (1 - - - - - - l^{12}) y_{t} = (1 - - - - - - 0 。 357 l) (1 - - - - - - 0 。 615 l^{12}) ε_{t},$

${x_{t}; t = 1, 。。。, T}$ 是一系列的T列向量长度在12个月观察表明 $t$ 测量。1行我的 $x_{t}$ 表明,月的观察测量我,剩下的元素是0。

请注意,如果你在模型包括一个积分常数,然后T设计矩阵的行X由行向量 $(\begin{array}{cccccccccccccccccccc} 1 & x_{t}^{'} \end{array}]$ 。因此,X是等级不足,回归系数不识别。常数是排除这个例子,以免分散注意力的主要目的。格式样本X矩阵

X = dummyvar (repmat((1:12), 12日1));%的格式presample X矩阵0 X0 = [(11) 1;dummyvar ((1:12) '));Mdl2 = arima (“不变”0,“MALags”,1' D ',1…“季节性”12);EstMdl2 =估计(Mdl2 y“X”,(X0;X]);

ARIMAX(0, 1, 1)模型季节性集成(高斯分布):价值StandardError TStatistic PValue __________ _________________ __________ __________常数0 0南南妈{1}e-06β(1)1.4053 -0.40711 0.084387 -4.8242 -0.002577 0.025168 -0.10239 0.91845 Beta (2) -0.0057769 0.031885 -0.18118 0.85623 Beta (3) -0.0022034 0.030527 -0.072179 0.94246 Beta (4) 0.00094737 0.019867 0.047687 0.96197 Beta (5) -0.0012146 0.017981 -0.067551 0.94614 Beta (6) 0.00487 0.018374 0.26505 0.79097 Beta (7) -0.0087944 0.015285 -0.57535 0.56505 Beta (8) 0.0048346 0.012484 0.38728 0.69855 Beta (9) 0.001437 0.018245 0.078758 0.93722 Beta (10) 0.009274 0.014751 0.62869 0.52955 Beta (11) 0.0073665 0.0105 0.70158 0.48294 Beta(12)方差0.00098841 0.014295 0.069146 0.94487 0.0017715 0.00024657 7.1848 6.7329 e-13

拟合模型

$(1 - - - - - - l) (1 - - - - - - l^{12}) y_{t} = X_{t} β_{}^{ˆ} + (1 - - - - - - 0 。 407 l) ε_{t},$

在哪里 $ε_{t}$ 系列是一个iid正态分布均值为0,方差为0.0017和 $β_{}^{ˆ}$ 是一个列向量的值Beta1- - - - - -Beta12。注意,估计马{1}和方差之间的Mdl1和Mdl2是不平等的。

步骤4。使用这两种模型预测。

使用预测两种模型预测41期从1957年7月到未来。使用这些预测情节抵抗样本。

yF1 =预测(EstMdl1, 41岁,y);yF2 =预测(EstMdl2, 41岁,y,“X0”X (1:103:),“XF”X(104:最终,:));l1 =情节(100:T, dat(100:结束),“k”,“线宽”3);持有在l2 =情节(104:144 yF1,“- r”,“线宽”2);l3 =情节(104:144 yF2,“- b”,“线宽”2);持有从标题(“乘客数据:实际与预测”)包含(“月”)ylabel (月度乘客数据的对数)({传奇“观察”,“多项式预测”,…“回归预测”},“位置”,“西北”)