прогноз

Класс: arima

Предскажите ответы модели ARIMA или ARIMAX или условные отклонения

Синтаксис

[Y,YMSE] = forecast(Mdl,numperiods,Y0) [Y,YMSE] = forecast(Mdl,numperiods,Y0,Name,Value) [Y,YMSE,V] = forecast(___)

Описание

[Y,YMSE] = forecast(Mdl,numperiods,Y0) возвращает numperiods последовательные предсказанные ответы Y и соответствующие среднеквадратичные погрешности YMSE полностью заданной, одномерной модели ARIMA или ARIMAX Mdl. Преддемонстрационные данные об ответе Y0 инициализируют модель, чтобы сгенерировать прогнозы.

[Y,YMSE] = forecast(Mdl,numperiods,Y0,Name,Value) дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, для модели с компонентом регрессии, 'X0',X0,'XF',XF задает преддемонстрационные и предсказанные данные о предикторе X0 и XF, соответственно.

[Y,YMSE,V] = forecast(___) также условный V отклонений numperiods прогнозов составного условного среднего значения и модели отклонения (например, ARIMA и GARCH составляют модель), использующий любую из комбинаций входных аргументов в предыдущих синтаксисах.

Входные параметры

развернуть все

`Mdl` — Полностью заданная модель ARIMA или ARIMAX
Модель `arima`

Полностью заданная модель ARIMA или ARIMAX, заданная как модель arima, возвращенная arima или estimate.

Свойства Mdl не могут содержать NaN s.

`numperiods` — Предскажите горизонт
положительное целое число

Предскажите горизонт или количество моментов времени в период прогноза, заданный как положительное целое число.

Типы данных: double

`Y0` Преддемонстрационные данные об ответе
числовой вектор-столбец | числовая матрица

Преддемонстрационные данные об ответе раньше инициализировали модель для прогнозирования, заданный как числовой вектор-столбец с длиной numpreobs или numpreobs-by-numpaths числовая матрица.

Строки Y0 соответствуют периодам в предварительной выборке, и последняя строка содержит последний преддемонстрационный ответ. numpreobs является количеством заданных преддемонстрационных ответов, и это должен быть, по крайней мере, Mdl.P. Если numpreobs превышает Mdl.P, forecast использует только последние строки Mdl.P. Для получения дополнительной информации смотрите Базовые Разделы Времени для Прогнозирования.

Столбцы Y0 соответствуют отдельным, независимым контурам.

Если Y0 является вектор-столбцом, forecast применяет его к каждому предсказанному пути. В этом случае все пути к прогнозу Y выводят от тех же начальных условий.
Если Y0 является матрицей, он должен иметь столбцы numpaths, где numpaths является максимумом среди вторых измерений заданных преддемонстрационных массивов наблюдения Y0, E0 и V0.

Типы данных: double

Аргументы в виде пар имя-значение

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.

`'E0'` — Преддемонстрационные инновации
числовой вектор-столбец | числовая матрица

Преддемонстрационные инновации раньше инициализировали компонент скользящего среднего значения (MA) образцовой или условной модели отклонения, заданной как пара, разделенная запятой, состоящая из 'E0' и числового вектор-столбца или числовой матрицы со столбцами numpaths. forecast принимает, что преддемонстрационные инновации имеют среднее значение 0.

Строки E0 соответствуют периодам в предварительной выборке, и последняя строка содержит последние преддемонстрационные инновации. E0 должен иметь, по крайней мере, строки Mdl.Q, чтобы инициализировать компонент MA. Если Mdl.Variance является условной моделью отклонения (например, garch), E0 может потребовать больше, чем строки Mdl.Q. Если количество строк превышает минимальный номер, требуемый предсказывать Mdl, forecast использует только последние необходимые строки.

Столбцы E0 соответствуют отдельным, независимым контурам.

Если E0 является вектор-столбцом, forecast применяет его к каждому предсказанному пути. В этом случае компонент MA и условная модель отклонения всех путей к прогнозу Y выводят от тех же начальных инноваций.
Если E0 является матрицей, он должен иметь столбцы numpaths.
По умолчанию, если numpreobs ≥ Mdl.P + Mdl.Q, forecast выводит какие-либо необходимые преддемонстрационные инновации путем передачи модели Mdl и преддемонстрационных данных к infer. Для получения дополнительной информации на этом значении по умолчанию для моделей, содержащих компонент регрессии, смотрите X0 и XF.
По умолчанию, если numpreobs <Mdl.P + Mdl.Q, forecast устанавливает все необходимые преддемонстрационные инновации на 0.

Типы данных: double

`'V0'` — Преддемонстрационные условные отклонения
положительный числовой вектор-столбец | положительная числовая матрица

Преддемонстрационные условные отклонения раньше инициализировали условную модель отклонения, заданную как пара, разделенная запятой, состоящая из 'V0' и положительного числового вектор-столбца или положительной числовой матрицы со столбцами numpaths. Если образцовое отклонение, Mdl.Variance является постоянным, forecast, игнорирует V0.

Строки V0 соответствуют периодам в предварительной выборке, и последняя строка содержит последнее преддемонстрационное условное отклонение. Если Mdl.Variance является условной моделью отклонения (например, объект модели garch), E0 может потребовать, чтобы больше, чем строки Mdl.Q инициализировали Mdl для прогнозирования. Если количество строк превышает минимальный номер, требуемый предсказывать, функция forecast использует только последние необходимые преддемонстрационные условные отклонения.

Столбцы V0 соответствуют отдельным, независимым контурам.

Если V0 является вектор-столбцом, forecast применяет его к каждому предсказанному пути. В этом случае условная модель отклонения всех путей к прогнозу Y выводит от тех же начальных условных отклонений.
Если V0 является матрицей, он должен иметь столбцы numpaths.
По умолчанию, если вы задаете достаточно преддемонстрационных инноваций E0, чтобы инициализировать условную модель отклонения, forecast выводит любые необходимые преддемонстрационные условные отклонения путем передачи условной модели Mdl.Variance и E0 отклонения infer.
По умолчанию, если вы не задаете E0, но вы задаете достаточно преддемонстрационных ответов Y0, чтобы вывести достаточно преддемонстрационных инноваций, затем forecast выводит любые необходимые преддемонстрационные условные отклонения из выведенных преддемонстрационных инноваций.
По умолчанию, если вы не задаете достаточно преддемонстрационных данных, forecast устанавливает все необходимые преддемонстрационные условные отклонения на безусловное отклонение процесса отклонения.

Типы данных: double

`x0` Преддемонстрационные данные о предикторе
числовая матрица

Преддемонстрационные данные о предикторе раньше выводили преддемонстрационные инновации E0, заданный как пара, разделенная запятой, состоящая из 'X0' и числовой матрицы со столбцами numpreds.

Строки X0 соответствуют периодам в предварительной выборке, и последняя строка содержит последний набор преддемонстрационных наблюдений предиктора.

Если вы не задаете E0, X0 должен иметь, по крайней мере, numpreobs – строки Mdl.P так, чтобы forecast мог вывести преддемонстрационные инновации. Если количество строк превышает минимальный номер, требуемый вывести преддемонстрационные инновации, forecast использует только последние необходимые преддемонстрационные наблюдения предиктора. Лучшая практика состоит в том, чтобы установить X0 на ту же матрицу данных предиктора, используемую по оценке, симуляции или выводу Mdl. Эта установка гарантирует правильную оценку преддемонстрационных инноваций E0.
Если вы задаете E0, то forecast игнорирует X0.

Столбцы X0 представляют отдельные переменные временных рядов, и они соответствуют столбцам XF.

Если вы задаете X0, но вы не задаете предсказанные данные о предикторе XF, то forecast выдает ошибку.

По умолчанию forecast исключает компонент регрессии из модели, когда это выводит преддемонстрационные инновации, независимо от значения коэффициента регрессии Mdl.Beta.

Типы данных: double

`'XF'` — Предсказанные или будущие данные о предикторе
числовая матрица

Предсказанные или будущие данные о предикторе, заданные как пара, разделенная запятой, состоящая из 'XF' и числовой матрицы со столбцами numpreds. XF представляет эволюцию заданных преддемонстрационных данных о предикторе X0, предсказанный в будущее (период прогноза).

Строки XF соответствуют моментам времени в будущем; XF(t,:) содержит t - прогнозы предиктора периода вперед. XF должен иметь, по крайней мере, строки numperiods. Если количество строк превышает numperiods, forecast использует только первые прогнозы numperiods. Для получения дополнительной информации смотрите Базовые Разделы Времени для Прогнозирования.

Столбцы XF являются отдельными переменными временных рядов, и они соответствуют столбцам X0.

По умолчанию forecast генерирует прогнозы от Mdl без компонента регрессии, независимо от значения коэффициента регрессии Mdl.Beta.

Примечания

forecast принимает, что вы синхронизируете все заданные преддемонстрационные наборы данных, таким образом, что последнее наблюдение за каждым преддемонстрационным рядом происходит одновременно. Точно так же forecast принимает, что первое наблюдение в предсказанных данных о предикторе XF происходит в следующем моменте времени после последнего наблюдения в преддемонстрационных данных о предикторе X0.

Выходные аргументы

развернуть все

`Y` Минимальные прогнозы среднеквадратичной погрешности данных об ответе
числовая матрица

Прогнозы минимальной среднеквадратичной погрешности (MMSE) условного среднего значения данных об ответе, возвращенных как numperiods-by-numpaths числовая матрица. Y представляет продолжение Y0 (Y(1,:) происходит в следующем моменте времени после Y0(end,:)).

Y(t,:) содержит условный средний прогноз всех путей для момента времени t в период прогноза (t - прогнозы периода вперед).

forecast определяет numpaths от количества столбцов в преддемонстрационных наборах данных Y0, E0 и V0. Для получения дополнительной информации см. Алгоритмы. Если каждый преддемонстрационный набор данных имеет один столбец, то Y является вектор-столбцом.

Типы данных: double

`YMSE` — Среднеквадратичные погрешности предсказанных ответов
числовая матрица

Среднеквадратичные погрешности (MSEs) предсказанных ответов Y (или отклонения ошибки прогноза), возвращенный как numperiods-by-numpaths числовая матрица.

YMSE(t,:) содержит отклонения ошибки прогноза всех путей для момента времени t в период прогноза.

forecast определяет numpaths от количества столбцов в преддемонстрационных наборах данных Y0, E0 и V0. Для получения дополнительной информации см. Алгоритмы. Если вы не задаете преддемонстрационных наборов данных, или каждый набор данных является вектор-столбцом, то YMSE является вектор-столбцом.

Квадратные корни из YMSE являются стандартными погрешностями прогнозов Y.

Типы данных: double

`V` Минимальные прогнозы MSE условных отклонений будущих образцовых инноваций
числовая матрица

Прогнозы минимальной среднеквадратичной погрешности (MMSE) условных отклонений будущих образцовых инноваций, возвращенных как numperiods-by-numpaths числовая матрица. V имеет строки numPeriods и столбцы numPaths.

forecast определяет номер столбцов V (numPaths) к наибольшему числу столбцов в преддемонстрационных массивах Y0, E0 и V0. Если вы не задаете Y0, E0 и V0, то V является вектор-столбцом numPeriods.

Во всех случаях строка i содержит условные прогнозы отклонения для i th период.

Типы данных: double

Примеры

развернуть все

Предскажите, что условное выражение означает ответ

Скрипт Open Live Script

Предскажите условный средний ответ моделируемых данных по горизонту с 30 периодами.

Моделируйте 130 наблюдений из мультипликативной сезонной модели MA с известными значениями параметров.

Mdl = arima('MA',{0.5,-0.3},'SMA',0.4,'SMALags',12,...
		'Constant',0.04,'Variance',0.2);
rng(200);
Y = simulate(Mdl,130);

Соответствуйте сезонной модели MA к первым 100 наблюдениям и зарезервируйте остающиеся 30 наблюдений, чтобы оценить производительность прогноза.

MdlTemplate = arima('MALags',1:2,'SMALags',12);
EstMdl = estimate(MdlTemplate,Y(1:100));

 
    ARIMA(0,0,2) Model with Seasonal MA(12) (Gaussian Distribution):
 
                 Value      StandardError    TStatistic      PValue  
                ________    _____________    __________    __________

    Constant     0.20403      0.069064         2.9542       0.0031344
    MA{1}        0.50212      0.097298         5.1606      2.4619e-07
    MA{2}       -0.20174       0.10447        -1.9312        0.053464
    SMA{12}      0.27028       0.10907          2.478        0.013211
    Variance     0.18681      0.032732         5.7073       1.148e-08

EstMdl является новой моделью arima, которая содержит предполагаемые параметры (то есть, полностью заданная модель).

Предскажите подобранную модель в горизонт с 30 периодами. Задайте данные о периоде оценки как предварительную выборку.

[YF,YMSE] = forecast(EstMdl,30,Y(1:100));

YF(15)

ans = 0.2040

YMSE(15)

ans = 0.2592

YF и YMSE являются 30 1 векторами предсказанных ответов и соответствующего MSEs, соответственно. 15 периодов вперед предсказали, 0.2040, и его MSE 0.2592.

Визуально сравните прогнозы с данными о затяжке.

figure
h1 = plot(Y,'Color',[.7,.7,.7]);
hold on
h2 = plot(101:130,YF,'b','LineWidth',2);
h3 = plot(101:130,YF + 1.96*sqrt(YMSE),'r:',...
		'LineWidth',2);
plot(101:130,YF - 1.96*sqrt(YMSE),'r:','LineWidth',2);
legend([h1 h2 h3],'Observed','Forecast',...
		'95% Confidence Interval','Location','NorthWest');
title(['30-Period Forecasts and Approximate 95% '...
			'Confidence Intervals'])
hold off

Предскажите сводный индекс NASDAQ

Скрипт Open Live Script

Предскажите ежедневный Сводный индекс NASDAQ по 500-дневному горизонту.

Загрузите данные NASDAQ, включенные с тулбоксом, и извлеките первые 1 500 наблюдений.

load Data_EquityIdx
nasdaq = DataTable.NASDAQ(1:1500);

Соответствуйте модели ARIMA (1,1,1) к данным.

nasdaqModel = arima(1,1,1);
nasdaqFit = estimate(nasdaqModel,nasdaq);

 
    ARIMA(1,1,1) Model (Gaussian Distribution):
 
                  Value      StandardError    TStatistic      PValue  
                _________    _____________    __________    __________

    Constant      0.43031       0.18555         2.3191        0.020392
    AR{1}       -0.074393      0.081985        -0.9074         0.36419
    MA{1}         0.31126      0.077266         4.0284      5.6151e-05
    Variance       27.826       0.63625         43.735               0

Предскажите Сводный индекс в течение 500 дней с помощью подобранной модели. Используйте наблюдаемые данные в качестве преддемонстрационных данных.

[Y,YMSE] = forecast(nasdaqFit,500,nasdaq);

Постройте прогнозы и 95%-е интервалы прогноза.

lower = Y - 1.96*sqrt(YMSE);
upper = Y + 1.96*sqrt(YMSE);

figure
plot(nasdaq,'Color',[.7,.7,.7]);
hold on
h1 = plot(1501:2000,lower,'r:','LineWidth',2);
plot(1501:2000,upper,'r:','LineWidth',2)
h2 = plot(1501:2000,Y,'k','LineWidth',2);
legend([h1 h2],'95% Interval','Forecast',...
	     'Location','NorthWest')
title('NASDAQ Composite Index Forecast')
hold off

Процесс является неустановившимся, таким образом, ширины интервалов прогноза растут со временем.

Предскажите модель ARX

Скрипт Open Live Script

Предскажите следующую известную модель ARX (1) в горизонт прогноза с 10 периодами:

$y_{t} = 1 + 0.3 y_{t - 1} + 2 x_{t} + ε_{t},$

где $ε_{t}$ стандартная Гауссова случайная переменная, и $x_{t}$ внешняя Гауссова случайная переменная со средним значением 1 и стандартным отклонением 0,5.

Создайте объект модели arima, который представляет модель ARX (1).

Mdl = arima('Constant',1,'AR',0.3,'Beta',2,'Variance',1);

Чтобы предсказать ответы из модели ARX (1), forecast требует:

Один преддемонстрационный ответ $y_{0}$ инициализировать авторегрессивный термин
Будущие внешние данные, чтобы включать эффекты внешней переменной на предсказанных ответах

Установите преддемонстрационный ответ на безусловное среднее значение стационарного процесса:

$E (y_{t}) = \frac{1 + 2 (1)}{1 - 0.3} .$

Для будущих внешних данных чертите 10 значений от распределения внешней переменной.

rng(1);
y0 = (1 + 2)/(1 - 0.3);
xf = 1 + 0.5*randn(10,1);

Предскажите модель ARX (1) в горизонт прогноза с 10 периодами. Задайте преддемонстрационный ответ и будущие внешние данные.

fh = 10;
yf = forecast(Mdl,fh,y0,'XF',xf)

yf(3) = 3.8232 является 3 периодами вперед прогноз модели ARX (1).

Предскажите пути ко множественному ответу

Скрипт Open Live Script

Предскажите пути ко множественному ответу от известного SAR $(1, 0, 0) {(1, 1, 0)}_{4}$ модель путем определения нескольких преддемонстрационных путей к ответу.

Создайте объект модели arima, который представляет этот ежеквартальный SAR $(1, 0, 0) {(1, 1, 0)}_{4}$ модель:

$(1 - 0.5 L) (1 - 0.2 L^{4}) (1 - L^{4}) y_{t} = 1 + ε_{t},$

где $ε_{t}$ стандартная Гауссова случайная переменная.

Mdl = arima('Constant',1,'AR',0.5,'Variance',1,...
    'Seasonality',4,'SARLags',4,'SAR',0.2)

Mdl = 
  arima with properties:

     Description: "ARIMA(1,0,0) Model Seasonally Integrated with Seasonal AR(4) (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 9
               D: 0
               Q: 0
        Constant: 1
              AR: {0.5} at lag [1]
             SAR: {0.2} at lag [4]
              MA: {}
             SMA: {}
     Seasonality: 4
            Beta: [1×0]
        Variance: 1

Поскольку Mdl содержит авторегрессивные динамические условия, forecast требует, чтобы предыдущие ответы Mdl.P сгенерировали a $t$ - период вперед предсказан из модели. Поэтому предварительная выборка должна содержать девять значений.

Сгенерируйте случайное 9 10 матрица, представляющая 10 преддемонстрационных путей длины 9.

rng(1);
numpaths = 10;
Y0 = rand(Mdl.P,numpaths);

Предскажите 10 путей из модели SAR в 12 горизонтов прогноза четверти. Задайте преддемонстрационные пути к наблюдению Y0.

fh = 12;
YF = forecast(Mdl,fh,Y0);

YF 12 10 матрица независимых предсказанных путей. YF(j,k) является j - прогноз периода вперед пути k. Путь YF(:,k) представляет продолжение преддемонстрационного пути Y0(:,k).

Постройте предварительную выборку и прогнозы.

Y = [Y0;...
     YF];

figure;
plot(Y);
hold on
h = gca;
px = [6.5 h.XLim([2 2]) 6.5];
py = h.YLim([1 1 2 2]);
hp = patch(px,py,[0.9 0.9 0.9]);
uistack(hp,"bottom");
axis tight
legend("Forecast period")
xlabel('Time (quarters)')
ylabel('Response paths')

Больше о

развернуть все

Базовые разделы времени для прогнозирования

Time base partitions for forecasting является двумя непересекающимися, непрерывными интервалами основы времени; каждый интервал содержит данные временных рядов для прогнозирования динамической модели. forecast period (горизонт прогноза) является разделом длины numperiods в конце основы времени, во время которой forecast генерирует, предсказывает Y от динамической модели Mdl. presample period является целым разделом, происходящим перед периодом прогноза. forecast может потребовать, чтобы наблюдаемые ответы Y0, инновации E0 или условные отклонения V0 в преддемонстрационный период инициализировали динамическую модель для прогнозирования. Образцовая структура определяет типы и объемы необходимых преддемонстрационных наблюдений.

Установившаяся практика должна соответствовать динамической модели к фрагменту набора данных, затем подтвердить предсказуемость модели путем сравнения ее прогнозов с наблюдаемыми ответами. Во время прогнозирования преддемонстрационный период содержит данные, к которым модель является подходящей, и период прогноза содержит выборку затяжки для валидации. Предположим, что _yt является наблюдаемым рядом ответа; x _{1, t}, x _{2, t} и x _{3, t} наблюдается внешний ряд; и время t = 1, …, T. Рассмотрите ответы прогнозирования от динамической модели y _t содержащий компонент регрессии numperiods = периоды K. Предположим, что динамическая модель является подходящей к данным в интервале [1, T – K] (для получения дополнительной информации, смотрите estimate). Эти данные показывают базовые разделы времени для прогнозирования.

Например, сгенерировать предсказывает Y из модели ARX (2), forecast требует:

Преддемонстрационные ответы Y0 = ${[\begin{matrix} y_{T - K - 1} & y_{T - K} \end{matrix}]}^{'}$ инициализировать модель. 1 период вперед предсказал, требует обоих наблюдений, тогда как эти 2 периода вперед предсказывают, требует y _{T – K} и 1 период вперед предсказывают Y(1). forecast генерирует все другие прогнозы путем заменения предыдущими прогнозами изолированных ответов в модели.
Будущие внешние данные XF = $[\begin{matrix} x_{1, (T - K + 1) : T} & x_{2, (T - K + 1) : T} & x_{3, (T - K + 1) : T} \end{matrix}]$ для образцового компонента регрессии. Без заданных будущих внешних данных forecast игнорирует образцовый компонент регрессии, который может привести к нереалистичным прогнозам.

Динамические модели, содержащие компонент скользящего среднего значения или условную модель отклонения, могут потребовать преддемонстрационных инноваций или условных отклонений. Учитывая достаточные преддемонстрационные ответы, forecast выводит необходимые преддемонстрационные инновации и условные отклонения. Если такая модель также содержит компонент регрессии, то forecast должен иметь достаточно преддемонстрационных ответов и внешних данных, чтобы вывести необходимые преддемонстрационные инновации и условные отклонения. Эти данные показывают массивы необходимых наблюдений для этого случая с соответствующими аргументами ввода и вывода.

Алгоритмы

forecast определяет номер демонстрационных путей, чтобы предсказать numpaths к максимальному количеству столбцов среди преддемонстрационных наборов данных E0, V0 и Y0. Все преддемонстрационные наборы данных должны иметь любой numpaths> 1 столбец или один столбец. В противном случае forecast выдает ошибку. Например, если Y0 имеет пять столбцов, представляя пять путей, то E0 и V0 могут или иметь пять столбцов или один столбец. Если E0 имеет один столбец, то forecast применяет E0 к каждому пути.
Значения NaN в преддемонстрационных и будущих наборах данных указывают на недостающие данные. forecast удаляет недостающие данные из преддемонстрационных наборов данных, выполняющих эту процедуру:
1. forecast горизонтально конкатенирует заданные преддемонстрационные наборы данных Y0, E0, V0 и X0, таким образом, что последние наблюдения происходят одновременно. Результатом может быть зубчатый массив, потому что преддемонстрационные наборы данных могут иметь различное количество строк. В этом случае forecast предварительно заполняет переменные ассигновать суммой в размере нулей, чтобы сформировать матрицу.
2. forecast применяет мудрое списком удаление к объединенной преддемонстрационной матрице путем удаления всех строк, содержащих по крайней мере один NaN.
3. forecast извлекает обработанные преддемонстрационные наборы данных от результата шага 2 и удаляет все предзаполненные нули.
forecast применяет подобную процедуру к предсказанным данным о предикторе XF. После того, как forecast применяет мудрое списком удаление к XF, результат должен иметь, по крайней мере, строки numperiods. В противном случае forecast выдает ошибку.
Мудрое списком удаление уменьшает объем выборки и может создать неправильные временные ряды.
Когда forecast оценивает, что YMSE MSEs условного среднего значения предсказывает Y, функция обрабатывает заданные наборы данных предиктора X0 и XF как внешние, нестохастические, и статистически независимые от образцовых инноваций. Поэтому YMSE отражает отклонение, сопоставленное с компонентом ARIMA одной только входной модели Mdl.

Вопросы совместимости

развернуть все

Одномерные модели временных рядов требуют, чтобы спецификация преддемонстрационных данных об ответе предсказала ответы

forecast теперь имеет третий входной параметр для вас, чтобы снабдить преддемонстрационными данными об ответе.

forecast(Mdl,numperiods,Y0)
forecast(Mdl,numperiods,Y0,Name,Value)

Перед R2019a синтаксисы были:

forecast(Mdl,numperiods)
forecast(Mdl,numperiods,Name,Value)

Вы могли опционально предоставить преддемонстрационные ответы с помощью аргумента пары "имя-значение" 'Y0'.

Нет никаких планов удалить предыдущие синтаксисы или аргумент пары "имя-значение" 'Y0' в это время. Однако вы поощряетесь предоставить преддемонстрационные ответы, потому что, чтобы предсказать ответы от динамической модели, forecast должен инициализировать модели, содержащие изолированные ответы. Без заданных преддемонстрационных ответов forecast инициализирует модели при помощи разумных значений по умолчанию, но сила по умолчанию не поддерживает все рабочие процессы.

Для стационарных моделей без компонента регрессии все преддемонстрационные ответы являются безусловным средним значением процесса по умолчанию.
Для неустановившихся моделей или моделей, содержащих компонент регрессии, всеми преддемонстрационными ответами является 0 по умолчанию.

Обновите код

Обновите свой код путем определения преддемонстрационных ответов в третьем входном параметре.

Если вы не предоставляете преддемонстрационные ответы, то forecast обеспечивает преддемонстрационные значения по умолчанию, которые не могут поддержать все рабочие процессы.

Ссылки

[1] Baillie, R. и Т. Боллерслев. “Прогноз в Динамических моделях с Зависящими от времени Условными Отклонениями”. Журнал Эконометрики. Издание 52, 1992, стр 91–113.

[2] Боллерслев, T. “Обобщенный Авторегрессивный Условный Heteroskedasticity”. Журнал Эконометрики. Издание 31, 1996, стр 307–327.

[3] Боллерслев, T. “Условно Модель Временных рядов Heteroskedastic за Спекулятивные Цены и Нормы прибыли”. Экономика Анализа и Статистика. Издание 69, 1987, стр 542–547.

[4] 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.

[5] Enders, W. Прикладные эконометрические временные ряды. Хобокен, NJ: John Wiley & Sons, 1995.

[6] Энгл, R. F. “Авторегрессивный Условный Heteroskedasticity с Оценками Отклонения Инфляции Соединенного Королевства”. Econometrica. Издание 50, 1982, стр 987–1007.

[7] Гамильтон, J. D. Анализ timeseries. Принстон, NJ: Издательство Принстонского университета, 1994.

Документация

прогноз

Синтаксис

Описание

Входные параметры

`Mdl` — Полностью заданная модель ARIMA или ARIMAX
Модель `arima`

`numperiods` — Предскажите горизонт
положительное целое число

`Y0` Преддемонстрационные данные об ответе
числовой вектор-столбец | числовая матрица

Аргументы в виде пар имя-значение

`'E0'` — Преддемонстрационные инновации
числовой вектор-столбец | числовая матрица

`'V0'` — Преддемонстрационные условные отклонения
положительный числовой вектор-столбец | положительная числовая матрица

`x0` Преддемонстрационные данные о предикторе
числовая матрица

`'XF'` — Предсказанные или будущие данные о предикторе
числовая матрица

Примечания

Выходные аргументы

`Y` Минимальные прогнозы среднеквадратичной погрешности данных об ответе
числовая матрица

`YMSE` — Среднеквадратичные погрешности предсказанных ответов
числовая матрица

`V` Минимальные прогнозы MSE условных отклонений будущих образцовых инноваций
числовая матрица

Примеры

Предскажите, что условное выражение означает ответ

Предскажите сводный индекс NASDAQ

Предскажите модель ARX

Предскажите пути ко множественному ответу

Больше о

Базовые разделы времени для прогнозирования

Алгоритмы

Вопросы совместимости

Одномерные модели временных рядов требуют, чтобы спецификация преддемонстрационных данных об ответе предсказала ответы

Обновите код

Ссылки

Смотрите также

Темы

Документация Econometrics Toolbox

Поддержка

Документация

прогноз

Синтаксис

Описание

Входные параметры

Mdl — Полностью заданная модель ARIMA или ARIMAX Модель arima

numperiods — Предскажите горизонт положительное целое число

Y0 Преддемонстрационные данные об ответе числовой вектор-столбец | числовая матрица

Аргументы в виде пар имя-значение

'E0' — Преддемонстрационные инновации числовой вектор-столбец | числовая матрица

'V0' — Преддемонстрационные условные отклонения положительный числовой вектор-столбец | положительная числовая матрица

x0 Преддемонстрационные данные о предикторе числовая матрица

'XF' — Предсказанные или будущие данные о предикторе числовая матрица

Примечания

Выходные аргументы

Y Минимальные прогнозы среднеквадратичной погрешности данных об ответе числовая матрица

YMSE — Среднеквадратичные погрешности предсказанных ответов числовая матрица

V Минимальные прогнозы MSE условных отклонений будущих образцовых инноваций числовая матрица

Примеры

Предскажите, что условное выражение означает ответ

Предскажите сводный индекс NASDAQ

Предскажите модель ARX

Предскажите пути ко множественному ответу

Больше о

Базовые разделы времени для прогнозирования

Алгоритмы

Вопросы совместимости

Одномерные модели временных рядов требуют, чтобы спецификация преддемонстрационных данных об ответе предсказала ответы

Обновите код

Ссылки

Смотрите также

Темы

Документация Econometrics Toolbox

Поддержка

`Mdl` — Полностью заданная модель ARIMA или ARIMAX
Модель `arima`

`numperiods` — Предскажите горизонт
положительное целое число

`Y0` Преддемонстрационные данные об ответе
числовой вектор-столбец | числовая матрица

`'E0'` — Преддемонстрационные инновации
числовой вектор-столбец | числовая матрица

`'V0'` — Преддемонстрационные условные отклонения
положительный числовой вектор-столбец | положительная числовая матрица

`x0` Преддемонстрационные данные о предикторе
числовая матрица

`'XF'` — Предсказанные или будущие данные о предикторе
числовая матрица

`Y` Минимальные прогнозы среднеквадратичной погрешности данных об ответе
числовая матрица

`YMSE` — Среднеквадратичные погрешности предсказанных ответов
числовая матрица

`V` Минимальные прогнозы MSE условных отклонений будущих образцовых инноваций
числовая матрица