Класс: arima
Оцените ARIMA или параметры модели ARIMAX
EstMdl = estimate(Mdl,y)
[EstMdl,EstParamCov,logL,info]
= estimate(Mdl,y)
[EstMdl,EstParamCov,logL,info] = estimate(Mdl,y,Name,Value)
наибольшее правдоподобие использования, чтобы оценить параметры ARIMA (p, D, q) модель EstMdl
= estimate(Mdl
,y
)Mdl
, учитывая наблюдаемые одномерные временные ряды y
. EstMdl
является моделью arima
, которая хранит результаты.
[EstMdl,
дополнительно возвращает EstParamCov
,logL
,info
]
= estimate(Mdl,y)EstParamCov
, ковариационная матрица отклонения, сопоставленная с предполагаемыми параметрами, logL
, оптимизированной loglikelihood целевой функцией, и info
, структурой данных итоговой информации.
[EstMdl,EstParamCov,logL,info] = estimate(Mdl,y,
оценивает модель с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value
)Name,Value
.
Mdl
— ARIMA или ARIMAXarima
Модель ARIMA или ARIMAX, заданная как модель arima
, возвращенная arima
или estimate
.
estimate
обрабатывает non-NaN
элементы в Mdl
как ограничения равенства и не оценивает соответствующие параметры.
y
Один путь данных об ответеОдин путь данных об ответе, к которым модель является подходящей, задана как числовой вектор-столбец. Последнее наблюдение за y
является последним.
Типы данных: double
Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми.
Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение.
Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.
'AR0'
— Первоначальные оценки несезонных авторегрессивных коэффициентовПервоначальные оценки несезонных авторегрессивных коэффициентов для модели ARIMA, заданной как пара, разделенная запятой, состоящая из 'AR0'
и числового вектора.
Количество коэффициентов в AR0
должно равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в несезонном авторегрессивном полиноме, ARLags
.
По умолчанию estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'Beta0'
— Первоначальные оценки коэффициентов регрессииПервоначальные оценки коэффициентов регрессии для компонента регрессии, заданного как пара, разделенная запятой, состоящая из 'Beta0'
и числового вектора.
Количество коэффициентов в Beta0
должно равняться количеству столбцов X
.
По умолчанию estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'Constant0'
— Initial ARIMA постоянная оценкаПервоначальная модель ARIMA постоянная оценка, заданная как пара, разделенная запятой, состоящая из 'Constant0'
и скаляра.
По умолчанию estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
Отображение
Параметр экрана командного окна'params'
(значение по умолчанию) | 'diagnostics'
| 'full'
| 'iter'
| 'off'
| представляет вектор в виде строки | вектор ячейки векторов символовПараметр экрана Командного окна, заданный как пара, разделенная запятой, состоящая из 'Display'
и значения или любой комбинации значений в этой таблице.
Значение | оцените Отображения |
---|---|
'diagnostics' | Диагностика оптимизации |
'full' | Оценки параметра наибольшего правдоподобия, стандартные погрешности, статистика t, итеративная информация об оптимизации и диагностика оптимизации |
'iter' | Итеративная информация об оптимизации |
'off' | Никакое отображение в Командном окне |
'params' | Оценки параметра наибольшего правдоподобия, стандартные погрешности и статистика t |
Например:
Запускать симуляцию, где вы соответствуете многим моделям, и поэтому хотите подавить весь вывод, 'Display','off'
использования.
Чтобы отобразить все результаты оценки и диагностику оптимизации, используйте 'Display',{'params','diagnostics'}
.
Типы данных: char
| cell
| string
'DoF0'
— Начальная буква t - оценка параметра степеней свободы распределения10
(значение по умолчанию) | положительная скалярная величинаНачальный t - оценка параметра степеней свободы распределения, заданная как пара, разделенная запятой, состоящая из 'DoF0'
и положительной скалярной величины. DoF0
должен превысить 2.
Типы данных: double
'E0'
— Преддемонстрационные инновацииПреддемонстрационные инновации, которые имеют среднее значение 0 и предоставляют начальные значения ARIMA (p, D, q) модель, заданная как пара, разделенная запятой, состоящая из 'E0'
и числового вектор-столбца.
E0
должен содержать, по крайней мере, строки Mdl.Q
. Если вы используете условную модель отклонения, такую как модель garch
, то программное обеспечение может потребовать больше, чем преддемонстрационные инновации Mdl.Q
.
Если E0
содержит дополнительные строки, то estimate
использует последние преддемонстрационные инновации Mdl.Q
. Последняя строка содержит последние преддемонстрационные инновации.
По умолчанию estimate
устанавливает необходимые преддемонстрационные инновации на 0
.
Типы данных: double
'MA0'
— Первоначальные оценки несезонных коэффициентов скользящего среднего значенияПервоначальные оценки несезонных коэффициентов скользящего среднего значения для ARIMA (p, D, q) модель, заданная как пара, разделенная запятой, состоящая из 'MA0'
и числового вектора.
Количество коэффициентов в MA0
должно равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в несезонном полиноме скользящего среднего значения, MALags
.
По умолчанию estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
Опции
Опции оптимизацииoptimoptions
Опции оптимизации, заданные как пара, разделенная запятой, состоящая из 'Options'
и контроллера оптимизации optimoptions
. Для получения дополнительной информации при изменении значений по умолчанию оптимизатора, смотрите optimoptions
или fmincon
в Optimization Toolbox™.
Например, чтобы изменить допуск ограничения на 1e-6
, установите Options = optimoptions(@fmincon,'ConstraintTolerance',1e-6,'Algorithm','sqp')
. Затем передача Options
в estimate
с помощью 'Options',Options
.
По умолчанию estimate
использует те же опции по умолчанию, как fmincon
, кроме Algorithm
'sqp'
, и ConstraintTolerance
является 1e-7
.
'SAR0'
— Первоначальные оценки сезонных авторегрессивных коэффициентовПервоначальные оценки сезонных авторегрессивных коэффициентов для ARIMA (p, D, q) модель, заданная как пара, разделенная запятой, состоящая из 'SAR0'
и числового вектора.
Количество коэффициентов в SAR0
должно равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в сезонном авторегрессивном полиноме, SARLags
.
По умолчанию estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'SMA0'
— Первоначальные оценки сезонных коэффициентов скользящего среднего значенияПервоначальные оценки сезонных коэффициентов скользящего среднего значения для ARIMA (p, D, q) модель, заданная как пара, разделенная запятой, состоящая из 'SMA0'
и вектора.
Количество коэффициентов в SMA0
должно равняться количеству задержек с ненулевыми коэффициентами в сезонном полиноме скользящего среднего значения, SMALags
.
По умолчанию estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'V0'
— Преддемонстрационные условные отклоненияПреддемонстрационные условные отклонения, которые обеспечивают начальные значения для любой условной модели отклонения, заданной как пара, разделенная запятой, состоящая из 'V0'
и числового вектор-столбца с положительными записями.
Программное обеспечение требует, чтобы V0
имел, по крайней мере, количество наблюдений, требуемых инициализировать модель отклонения. Если количество строк в V0
превышает необходимый номер, то estimate
только использует последние наблюдения. Последняя строка содержит последнее наблюдение.
Если отклонение модели является постоянным, то V0
является ненужным.
По умолчанию estimate
устанавливает необходимые преддемонстрационные условные отклонения на среднее значение выведенных невязок в квадрате.
Типы данных: double
'Variance0'
— Первоначальные оценки отклонений инновацийПервоначальные оценки отклонений инноваций для ARIMA (p, D, q) модель, заданная как пара, разделенная запятой, состоящая из 'Variance0'
и положительной скалярной величины или вектора ячейки положительных скалярных величин. Если Variance0
является вектором ячейки, то условная модель отклонения должна распознать названия параметра допустимыми коэффициентами.
По умолчанию estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
| cell
X
Внешние предикторыВнешние предикторы в модели регрессии, заданной как пара, разделенная запятой, состоящая из 'X'
и матрицы.
Столбцы X
являются отдельными, синхронизируемыми временными рядами с последней строкой, содержащей последние наблюдения.
Если вы не задаете Y0
, то количеством строк X
должен быть, по крайней мере, numel(y,2) + Mdl.P
. В противном случае количество строк X
должно быть, по крайней мере, длиной y
.
Если количество строк X
превышает необходимый номер, то estimate
использует последние наблюдения и синхронизирует X
с серией y
ответа.
По умолчанию estimate
не оценивает коэффициенты регрессии независимо от их присутствия в Mdl
.
Типы данных: double
y0
Преддемонстрационные данные об ответеПреддемонстрационные данные об ответе, которые предоставляют начальные значения ARIMA (p, D, q) модель, заданная как пара, разделенная запятой, состоящая из 'Y0'
и числового вектор-столбца.
Y0
является вектор-столбцом, по крайней мере, со строками Mdl.P
. Если количество строк в Y0
превышает Mdl.P
, estimate
только использует последние наблюдения Mdl.P
. Последняя строка содержит последнее наблюдение.
По умолчанию estimate
назад предсказывает для необходимого объема преддемонстрационных наблюдений.
Типы данных: double
NaN
s указывает на отсутствующие значения, и estimate
удаляет их. Программное обеспечение объединяет преддемонстрационные данные (E0
, V0
, и Y0
) отдельно от эффективных выборочных данных (X
и y
), затем использует мудрое списком удаление, чтобы удалить любой NaN
s. Удаление NaN
s в данных уменьшает объем выборки и может также создать неправильные временные ряды.
Удаление NaN
s в данных уменьшает объем выборки и может также создать неправильные временные ряды.
estimate
принимает, что вы синхронизируете ответ и внешние предикторы, таким образом, что последнее (последнее) наблюдение за каждым происходит одновременно. Программное обеспечение также принимает, что вы синхронизируете преддемонстрационный ряд так же.
Если вы задаете значение для Display
, то он более приоритетен по сравнению со спецификациями опций оптимизации Diagnostics
и Display
. В противном случае estimate
соблюдает все выборы, связанные с отображением информации об оптимизации в опциях оптимизации.
EstMdl
— Модель, содержащая оценки параметраarima
Модель, содержащая оценки параметра, возвращенные как модель arima
. estimate
использует наибольшее правдоподобие, чтобы вычислить все оценки параметра, не ограниченные Mdl
(то есть, все параметры в Mdl
, который вы устанавливаете на NaN
).
EstParamCov
— Ковариационная матрица отклонения оценок наибольшего правдоподобияКовариационная матрица отклонения оценок наибольшего правдоподобия параметров модели, известных оптимизатору, возвращенному как матрица.
Строки и столбцы содержат ковариации оценок параметра. Стандартные погрешности оценок параметра являются квадратным корнем из записей по основной диагонали.
Строки и столбцы, сопоставленные с любыми параметрами, сохраненными зафиксированными как ограничения равенства, содержат 0
s.
estimate
использует векторное произведение градиентов (OPG) метод, чтобы выполнить оценку ковариационной матрицы.
estimate
заказывает параметры в EstParamCov
можно следующим образом:
Постоянный
Ненулевые коэффициенты AR
в положительных задержках
Ненулевые коэффициенты SAR
в положительных задержках
Ненулевые коэффициенты MA
в положительных задержках
Ненулевые коэффициенты SMA
в положительных задержках
Коэффициенты регрессии (когда вы задаете X
в estimate
),
Параметры отклонения (скаляр для моделей постоянного отклонения, вектора дополнительных параметров в противном случае)
Степени свободы (только инновационное распределение t)
Типы данных: double
logL
— Оптимизированное loglikelihood значение целевой функцииОптимизированное loglikelihood значение целевой функции, возвращенное как скаляр.
Типы данных: double
информация
Итоговая информацияИтоговая информация, возвращенная как структура.
Поле | Описание |
---|---|
exitflag | Выходной флаг оптимизации (см. fmincon в Optimization Toolbox), |
options | Контроллер опций оптимизации (см. optimoptions и fmincon в Optimization Toolbox), |
X | Вектор итоговых оценок параметра |
X0 | Вектор начальных оценок параметра |
Например, можно отобразить вектор итоговых оценок путем ввода info.X
в Командном окне.
Типы данных: struct
Соответствуйте модели ARMA(2,1) к моделируемым данным.
Моделируйте 500 точек данных из модели ARMA(2,1)
где следует за Распределением Гаусса со средним значением 0 и отклонением 0.1.
Mdl = arima('AR',{0.5,-0.3},'MA',0.2,... 'Constant',0,'Variance',0.1); rng(5); % For reproducibility y = simulate(Mdl,500);
Моделируемые данные хранятся в вектор-столбце Y
.
Задайте модель ARMA(2,1) без постоянных и неизвестных коэффициентов и отклонения.
ToEstMdl = arima(2,0,1); ToEstMdl.Constant = 0
ToEstMdl = arima with properties: Description: "ARIMA(2,0,1) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: 0 AR: {NaN NaN} at lags [1 2] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Соответствуйте модели ARMA(2,1) к y
.
EstMdl = estimate(ToEstMdl,y);
ARIMA(2,0,1) Model (Gaussian Distribution): Value StandardError TStatistic PValue ________ _____________ __________ __________ Constant 0 0 NaN NaN AR{1} 0.49404 0.10321 4.7866 1.6961e-06 AR{2} -0.25348 0.06993 -3.6248 0.00028921 MA{1} 0.27958 0.10721 2.6078 0.0091132 Variance 0.10009 0.0066403 15.073 2.4228e-51
Результатом является новая модель arima
под названием EstMdl
. Оценки в EstMdl
напоминают значения параметров, которые сгенерировали моделируемые данные.
Соответствуйте интегрированной модели ARIMA (1,1,1) к дневному закрытию Сводного индекса NASDAQ.
Загрузите данные NASDAQ, включенные с тулбоксом. Извлеките первые 1 500 наблюдений за Сводным индексом (январь 1990 до декабря 1995).
load Data_EquityIdx
nasdaq = DataTable.NASDAQ(1:1500);
Задайте модель ARIMA (1,1,1) для подбора кривой.
Mdl = arima(1,1,1);
Модель является несезонной, таким образом, можно использовать краткий синтаксис.
Соответствуйте модели к первой половине данных.
EstMdl = estimate(Mdl,nasdaq(1:750));
ARIMA(1,1,1) Model (Gaussian Distribution): Value StandardError TStatistic PValue _______ _____________ __________ ___________ Constant 0.2234 0.18418 1.213 0.22513 AR{1} 0.11434 0.11944 0.95733 0.3384 MA{1} 0.12764 0.11925 1.0703 0.28448 Variance 18.983 0.68999 27.512 1.2547e-166
Результатом является новая модель arima
(EstMdl
). Предполагаемые параметры, их стандартные погрешности, и статистические данные отображаются в Командном окне.
Используйте предполагаемые параметры в качестве начальных значений для подбора кривой второй половине данных.
con0 = EstMdl.Constant; ar0 = EstMdl.AR{1}; ma0 = EstMdl.MA{1}; var0 = EstMdl.Variance; [EstMdl2,EstParamCov2,logL2,info2] = estimate(Mdl,.... nasdaq(751:end),'Constant0',con0,'AR0',ar0,... 'MA0',ma0,'Variance0',var0);
ARIMA(1,1,1) Model (Gaussian Distribution): Value StandardError TStatistic PValue ________ _____________ __________ ___________ Constant 0.61143 0.32675 1.8712 0.061311 AR{1} -0.15071 0.11782 -1.2792 0.20083 MA{1} 0.38569 0.10905 3.5366 0.00040526 Variance 36.493 1.227 29.742 2.1907e-194
Оценки параметра хранятся в структуре данных info
. Отобразите итоговые оценки параметра.
info2.X
ans = 4×1
0.6114
-0.1507
0.3857
36.4933
Соответствуйте модели ARIMAX к моделируемым временным рядам, не задавая начальные значения для ответа или параметров.
Задайте модель ARIMAX(2,1,1)
в конечном счете моделировать временные ряды длины 500, где следует за Распределением Гаусса со средним значением 0 и отклонением 0.1.
Mdl = arima('AR',{0.5,-0.3},'MA',0.2,'D',1,... 'Constant',0,'Variance',0.1,'Beta',[1.5 2.6 -0.3]); T = 500;
Моделируйте три стационарных серии AR (1) и преддемонстрационные значения:
где следует за Распределением Гаусса со средним значением 0 и отклонением 0.01 поскольку i = {1,2,3}.
numObs = Mdl.P + T; MdlX1 = arima('AR',0.1,'Constant',0,'Variance',0.01); MdlX2 = arima('AR',0.2,'Constant',0,'Variance',0.01); MdlX3 = arima('AR',0.3,'Constant',0,'Variance',0.01); X1 = simulate(MdlX1,numObs); X2 = simulate(MdlX2,numObs); X3 = simulate(MdlX3,numObs); Xmat = [X1 X2 X3];
Моделируемые внешние предикторы хранятся в numObs
-by-3 матричный Xmat
.
Моделируйте 500 точек данных из модели ARIMA (2,1,1).
y = simulate(Mdl,T,'X',Xmat);
Моделируемый ответ хранится в вектор-столбце y
.
Создайте модель ARIMA (2,1,1) с известным 0
- оценил постоянные и неизвестные коэффициенты и отклонение.
ToEstMdl = arima(2,1,1); ToEstMdl.Constant = 0
ToEstMdl = arima with properties: Description: "ARIMA(2,1,1) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 3 D: 1 Q: 1 Constant: 0 AR: {NaN NaN} at lags [1 2] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
ToEstMdl
является моделью ARIMA (2,1,1). estimate
изменяет это обозначение на ARIMAX (2,1,1), когда вы передаете внешние предикторы в аргумент X
. estimate
оценивает все параметры со значением NaN
в ToEstMdl
.
Соответствуйте модели ARIMAX(2,1,1) к y
включая матрицу регрессии Xmat
.
EstMdl = estimate(ToEstMdl,y,'X',Xmat);
ARIMAX(2,1,1) Model (Gaussian Distribution): Value StandardError TStatistic PValue ________ _____________ __________ __________ Constant 0 0 NaN NaN AR{1} 0.41634 0.046067 9.0376 1.601e-19 AR{2} -0.27405 0.040645 -6.7427 1.5552e-11 MA{1} 0.3346 0.057208 5.8488 4.9499e-09 Beta(1) 1.4194 0.14242 9.9662 2.1429e-23 Beta(2) 2.542 0.1331 19.098 2.6194e-81 Beta(3) -0.28767 0.14035 -2.0496 0.040399 Variance 0.096777 0.005791 16.712 1.08e-62
ToEstMdl
является новой моделью arima
, определяемой как ARIMAX (2,1,1), поскольку внешние предикторы вводят модель. Оценки в ToEstMdl
напоминают значения параметров, которые сгенерировали моделируемые данные.
Соответствуйте модели ARIMAX к временным рядам, задающим начальные значения для ответа и параметров.
Набор данных Значений по умолчанию Кредита содержит четыре переменные:
Уровень по умолчанию на корпоративных облигациях инвестиционного класса (IGD)
Процент выпускающих облигации инвестиционного уровня сначала оценил 3 года назад (AGE)
Предскажите "Один год вперед" изменения в прибыли корпорации, приведенной в соответствие с инфляцией (CPF)
Распространитесь между доходностью корпоративных облигаций и теми из сопоставимых государственных облигаций (SPR)
Примите, что модель ARIMAX(1,0,0) является соответствующей, чтобы соответствовать IGD использование AGE, CPF и SPR как внешние предикторы. Загрузите набор данных Значений по умолчанию Кредита. Присвойте ответ IGD y
. Присвойте AGE предикторов, CPF и SPR к матричному X
.
load Data_CreditDefaults
X = Data(:,[1 3:4]);
T = size(X,1);
y = Data(:,5);
Ответ и внешний ряд предиктора должны быть стационарными, прежде чем вы продолжите. Если ваш ответ не является стационарным, то задайте степень интегрирования в операторе arima
. Если ваши внешние предикторы не являются стационарными, то вы должны различие их использующий diff
. Ряды в этом примере являются стационарными, чтобы не отвлечь от его основной цели.
Разделите начальные значения от основного ответа и внешних предикторов. Выберите начальные значения для коэффициентов регрессии Beta0
.
y0 = y(1); yEst = y(2:T); XEst = X(2:end,:); Beta0 = [0.5 0.5 0.5];
y0
инициализирует ряд ответа, и yest
является основным рядом ответа для оценки. XEst
является основной внешней матрицей предиктора для оценки.
Задайте модель Mdl
, чтобы соответствовать к данным.
Mdl = arima(1,0,0);
Соответствуйте модели к данным и задайте начальные значения.
EstMdl = estimate(Mdl,yEst,'X',XEst,... 'Y0',y0,'Beta0',Beta0);
ARIMAX(1,0,0) Model (Gaussian Distribution): Value StandardError TStatistic PValue _________ _____________ __________ ________ Constant -0.20477 0.26608 -0.76958 0.44155 AR{1} -0.017311 0.56562 -0.030606 0.97558 Beta(1) 0.023933 0.021842 1.0957 0.27319 Beta(2) -0.01246 0.0074992 -1.6615 0.096603 Beta(3) 0.068087 0.074504 0.91388 0.36078 Variance 0.0053946 0.0022439 2.4041 0.016212
[1] Поле, G. E. P. Г. М. Дженкинс и Г. К. Рейнсель. Анализ timeseries: Предсказывая и Управление 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1994.
[2] Enders, W. Прикладные эконометрические временные ряды. Хобокен, NJ: John Wiley & Sons, 1995.
[3] Грин, В. Х. Эконометрик Анэлизис. 3-й редактор Верхний Сэддл-Ривер, NJ: Prentice Hall, 1997.
[4] Гамильтон, J. D. Анализ timeseries. Принстон, NJ: Издательство Принстонского университета, 1994.
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.