regARIMA类

超类:

创建具有ARIMA时间序列误差的回归模型

全部展开页面

描述

regARIMA创建一个具有ARIMA时间序列误差的回归模型保持回归系数的敏感性。要创建一个包含外生预测因子(ARIMAX)线性回归组件的ARIMA模型，请参见华宇电脑．

默认情况下，时间序列误差(也称为无条件扰动)是独立的、同分布的、平均为0的高斯随机变量。如果错误具有自相关结构，那么您可以为它们指定模型。模型包括:

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

指定包含已知系数的误差模型:

模拟反应使用模拟．
使用以下方法探索脉冲响应冲动．
使用预测．
用数据估计未知系数估计．

建设

Mdl= regARIMA创建一个ARIMA误差为0度且没有回归系数的回归模型。

Mdl= regARIMA (p，D，问）建立了一个具有自回归度的非季节性线性时间序列的误差回归模型p,差分化程度D，移动平均度问．

Mdl= regARIMA (名称,值）使用一个或多个指定的附加选项创建带有ARIMA错误的回归模型名称,值对参数。的名字也可以是属性名和价值为对应值。的名字必须出现在单引号内(＇＇）.你可以指定几个名称,值将任意顺序的参数配对为Name1, Value1,…,的家．

输入参数

请注意

对于非季节性ARIMA误差的回归模型，使用p，D,问．对于具有季节ARIMA误差的回归模型，使用名称,值对参数。

`p`	误差模型的非季节性、自回归多项式度，指定为正整数。
`D`	误差模型的非季节性积分度，指定为非负整数。
`问`	误差模型的非季节性、移动平均多项式度，指定为正整数。

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

拦截

回归模型截距，指定为逗号分隔对组成“拦截”和一个标量。

默认值:南

β

与预测器数据相关的回归模型系数，指定为逗号分隔对组成“β”和一个向量。

默认值:［］(没有预测数据对应的回归系数)

基于“增大化现实”技术

非季节性的，自回归系数的误差模型，指定为逗号分隔对组成基于“增大化现实”技术的和细胞载体。这些系数必须得到一个稳定的多项式。

如果您指定ARLags,然后基于“增大化现实”技术等效长度的细胞矢量系数与滞后有关吗ARLags．例如,如果ARLags＝(1、4)和基于“增大化现实”技术＝{0.2, 0.1}，则忽略所有其他规范，错误模型是 $u_{t} ＝ 0．2 u_{t - 1} + 0．1 u_{t - 4} + ε_{t} ．$
如果没有指定ARLags,然后基于“增大化现实”技术是滞后系数1,2，…的细胞向量，p，即非季节性的自回归多项式次数。例如,如果基于“增大化现实”技术＝{0.2, 0.1}你不指定ARLags，则忽略所有其他规范，错误模型是 $u_{t} ＝ 0．2 u_{t - 1} + 0．1 u_{t - 2} + ε_{t} ．$

的系数基于“增大化现实”技术对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12或以下,regARIMA排除该系数及其相应的滞后ARLags从模型。

默认值:细胞的向量南S的长度和ARLags．

马

误差模型的非季节性、移动平均系数，指定为逗号分隔对组成“马”和细胞载体。这些系数必须得到一个可逆多项式。

如果您指定MALags,然后马等效长度的细胞矢量系数与滞后有关吗MALags．例如,如果MALags＝(1、4)和马＝{0.2, 0.1}，则忽略所有其他规范，错误模型是 $u_{t} ＝ ε_{t} + 0．2 ε_{t - 1} + 0．1 ε_{t - 4} ．$
如果没有指定MALags,然后马是滞后系数1,2，…的细胞向量，问，即非季节性的移动平均多项式次数。例如,如果马＝{0.2, 0.1}你不指定MALags，则忽略所有其他规范，错误模型是 $u_{t} ＝ ε_{t} + 0．2 ε_{t - 1} + 0．1 ε_{t - 2} ．$
的系数马对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12或以下,regARIMA排除该系数及其相应的滞后MALags从模型。

默认值:细胞的向量南S的长度和MALags．

ARLags

与之相关的滞后基于“增大化现实”技术误差模型中的系数，指定为逗号分隔对，由“ARLags”一个正整数向量。

默认值:整数向量1,2，…，p，非季节性，自回归多项式次数。

MALags

与之相关的滞后马误差模型中的系数，指定为逗号分隔对，由“MALags”一个正整数向量。

默认值:整数向量1,2，…，问，非季节性移动平均多项式次数。

特别行政区

季节、自回归系数为误差模型，指定为逗号分隔对组成“特别行政区”和细胞载体。系数必须得到一个稳定的多项式。

如果您指定SARLags,然后特别行政区等效长度的细胞矢量系数与滞后有关吗SARLags．例如,如果sarlag = [1,4]，SAR = {0.2, 0.1},季节性= 4，则忽略所有其他规范，错误模型是

$（ 1 - 0．2 l - 0．1 l^{4} ）（ 1 - l^{4} ） u_{t} ＝ ε_{t} ．$
如果没有指定SARLags,然后特别行政区是滞后系数1,2，…的细胞向量，p_年代，即季节自回归多项式次数。例如,如果SAR = {0.2, 0.1}和季节性= 4，您不指定SARLags，则忽略所有其他规范，错误模型是

$（ 1 - 0．2 l - 0．1 l^{2} ）（ 1 - l^{4} ） u_{t} ＝ ε_{t} ．$

的系数特别行政区对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12或以下,regARIMA排除该系数及其相应的滞后SARLags从模型。

默认值:细胞的向量南S的长度和SARLags．

SMA

错误模型的季节性、移动平均系数，指定为逗号分隔对组成SMA的和细胞载体。系数必须得到一个可逆的多项式。

如果您指定SMALags,然后SMA等效长度的细胞矢量系数与滞后有关吗SMALags．例如,如果SMALags＝(1、4)，SMA＝{0.2, 0.1},季节性= 4，则忽略所有其他规范，错误模型为 $（ 1 - l^{4} ） u_{t} ＝（ 1 + 0．2 l + 0．1 l^{4} ） ε_{t} ．$
如果没有指定SMALags,然后SMA是滞后系数1,2，…的细胞向量，问_年代，季节移动平均多项式次数。例如,如果SMA＝{0.2, 0.1}和季节性= 4，且不指定SMALags，则忽略所有其他规范，错误模型是 $（ 1 - l^{4} ） u_{t} ＝（ 1 + 0．2 l + 0．1 l^{2} ） ε_{t} ．$

的系数SMA对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12或以下,regARIMA排除该系数及其相应的滞后SMALags从模型。

默认值:细胞的向量南S的长度和SMALags．

SARLags

与之相关的滞后特别行政区误差模型中的系数，指定为逗号分隔对，由“SARLags”一个正整数向量。

默认值:整数向量1,2，…，p_年代，季节自回归多项式次数。

SMALags

与之相关的滞后SMA误差模型中的系数，指定为逗号分隔对，由“SMALags”一个正整数向量。

默认值:整数向量1,2，…，问_年代，季节移动平均多项式次数。

D

误差模型的非季节差分多项式度(即非季节积分度)，指定为逗号分隔对组成' D '和一个非负整数。

默认值:0(没有季节性集成)

季节性

为误差模型的季节差多项式度，指定为逗号分隔对组成“季节性”和一个非负整数。

默认值:0(没有季节性的集成)

方差

模型创新的方差ε_t，指定为逗号分隔的对，由“方差”一个正标量。

默认值:南

分布

条件概率分布的创新过程，指定为逗号分隔对组成“分布”以及描述该分布的分布名称或结构数组。

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

描述模型的字符串标量或字符向量。默认情况下，这个参数描述模型的参数形式，例如，ARIMA(1,1,1)误差模型(高斯分布)．

请注意

指定与季节多项式相关的滞后特别行政区和SMA在观测数据的周期性中，而不是作为季节性参数。这个惯例不符合Box和Jenkins的标准［１］符号，但它是一种更灵活的方法，用于合并乘法季节性。

属性

`基于“增大化现实”技术`	细胞向量的非季节性，自回归系数对应一个稳定的多项式误差模型。相关的滞后是1,2，…，p，它是非季节性的，自回归多项式次，或如`ARLags`．
`β`	与预测器数据矩阵列相对应的回归系数实向量。
`D`	非负整数表示误差模型的非季节性整合程度。
`描述`	用于模型描述的字符串标量。
`分布`	数据结构为创新过程的条件概率分布。这个领域`的名字`存储发行版名称`“高斯”`或`“t”`．如果分布是`“t”`，则结构也有场`景深`来存储自由度。
`拦截`	错误模型中的标量截距。
`马`	细胞向量的非季节性移动平均系数对应一个可逆多项式的误差模型。相关的滞后是1,2，…，问达到非季节性移动平均多项式的程度，或如`MALags`．
`P`	标量，复合自回归多项式的误差模型。 `P`为初始化误差模型的自回归分量所需的滞后观测总数。`P`包括属性捕获的非季节性和季节性整合的影响`D`和`季节性`，以及非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`不一定符合标准的Box和Jenkins符号［１］．如果`D = 0`，`季节性= 0`,`SAR = {}`,然后`P`符合标准符号。
`问`	标量，复合移动平均多项式次的误差模型。 `问`为初始化模型的移动平均分量所需的滞后创新的总数。`问`包括非季节性和季节性移动平均多项式的影响`马`和`SMA`,分别。 `问`不一定符合标准的Box和Jenkins符号［１］．如果`SMA = {}`,然后`问`符合标准符号。
`特别行政区`	细胞向量的季节自回归系数对应一个稳定的多项式的误差模型。相关的滞后是1,2，…，p_年代，为季节自回归多项式次，或如`SARLags`．
`SMA`	细胞向量的季节移动平均系数对应一个可逆多项式的误差模型。相关的滞后是1,2，…，问_年代，即季节移动平均多项式次，或如`SMALags`．
`季节性`	非负整数表示误差模型的季节差分多项式次数。
`方差`	模型创新的正标量方差。

方法

华宇电脑	将有ARIMA误差的回归模型转换为ARIMAX模型
估计	用ARIMA误差估计回归模型的参数
过滤器	通过带ARIMA误差的回归模型对干扰进行滤波
预测	预测具有ARIMA误差的回归模型的响应
冲动	具有ARIMA误差的回归模型的脉冲响应
推断出	利用ARIMA误差推断回归模型的创新之处
打印	(待删除)显示具有ARIMA误差的回归模型的估计结果
模拟	具有ARIMA误差的蒙特卡罗模拟回归模型
总结	显示带有ARIMA误差的回归模型估计结果

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部折叠

指定一个具有非季节性ARIMA误差的回归模型

打开生活的脚本

指定以下具有ARIMA(2,1,3)误差的回归模型:

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

Mdl = regARIMA (2, 1, 3)

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 lag [1 2] SAR: {} MA: {NaN NaN} at lag [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(包含基于“增大化现实”技术和马)是包含正确数目的单元格数组南值。请注意,P＝p+D= 3，表示您需要三个样本前观察来初始化模型进行估计。

修正带有ARIMA误差的回归模型

打开生活的脚本

定义具有ARIMA误差的回归模型:

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

在哪里 $ε_{t}$ 为高斯分布，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))

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

Mdl是完全指定的，例如，模拟给出预测器数据矩阵的一系列响应， $X_{t}$ ．

修正模型，估计回归系数、AR项和创新的方差。

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

将创新分配改为 $t$ 分布有15个自由度。

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

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

指定一个带有SARIMA误差的回归模型

打开生活的脚本

指定以下型号:

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

在哪里 $ε_{t}$ 是方差为1的高斯分布。

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)

描述:“ARIMA(1,1,1)误差模型的回归与季节AR(8)和MA(8)(高斯分布)集成”分布:Name = "高斯" Intercept: 1 Beta: [6] P: 14 D: 1 Q: 9 AR: {0.2} at lag [1] SAR: {0.5 0.2} at lag [4 8] MA: {0.1} at lag [1] SMA: {0.05 0.01} at lag [4 8

如果没有指定SARLags或SMALags，然后是系数特别行政区和SMA默认为滞后1和滞后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)

描述:“ARIMA(1,1,1)误差模型的回归与季节AR(2)和MA(2)(高斯分布)集成”分布:Name = "高斯" Intercept: 1 Beta: [6] P: 8 D: 1 Q: 3 AR: {0.2} at lag [1] SAR: {0.5 0.2} at lag [1 2] MA: {0.1} at lag [1] SMA: {0.05 0.01} at lag [1 2