Предскажите модель регрессии с мультипликативными сезонными ошибками ARIMA

Этот пример показывает, как предсказать мультипликативную сезонную модель ARIMA с помощью forecast. Ряд ответа является ежемесячными международными числами авиапассажира от 1 949 до 1960.

Загрузите наборы данных рецессий и авиакомпания. Преобразуйте ответ.

load(fullfile(matlabroot,'examples','econ','Data_Airline.mat'))
load Data_Recessions
y = log(Data);

Создайте предиктор (X), который определяет, была ли страна в рецессии в выбранный период. 0 последовательно t означает, что страна не была в рецессии в месяце t, и 1 последовательно t означает, что это было в рецессии в месяце t.

X = zeros(numel(dates),1); % Preallocation
for j = 1:size(Recessions,1)
    X(dates >= Recessions(j,1) & dates <= Recessions(j,2)) = 1;
end

Задайте индексные наборы тот раздел данные в выборки прогноза и оценку.

nSim = 60; % Forecast period
T = length(y);
estInds = 1:(T-nSim);
foreInds = (T-nSim+1):T;

Оцените модель регрессии с мультипликативным сезонным ARIMA} (0,1,1)×(0,1,1)12 ошибки:

yt=Xtβ+ut

(1-L)(1-L12)ut=(1+BL)(1+B12L12)εt

Установите прерывание модели регрессии на 0, поскольку это не идентифицируется в модели с интегрированными ошибками.

Mdl = regARIMA('D',1,'Seasonality',12,'MALags',1,'SMALags',12,...
    'Intercept',0);
EstMdl = estimate(Mdl,y(estInds),'X',X(estInds)); 
 
    Regression with ARIMA(0,1,1) Error Model Seasonally Integrated with Seasonal MA(12) (Gaussian Distribution):
 
                   Value      StandardError    TStatistic      PValue  
                 _________    _____________    __________    __________

    Intercept            0              0            NaN            NaN
    MA{1}         -0.35662        0.10393        -3.4312      0.0006009
    SMA{12}       -0.67729        0.11294        -5.9972     2.0078e-09
    Beta(1)      0.0015098       0.020533       0.073531        0.94138
    Variance     0.0015198     0.00021411         7.0983     1.2632e-12

Используйте предполагаемые коэффициенты модели (содержавшийся в EstMdl), чтобы сгенерировать прогнозы MMSE и соответствующие среднеквадратичные погрешности по 60-месячному горизонту. Используйте наблюдаемый ряд в качестве преддемонстрационных данных. По умолчанию forecast выводит преддемонстрационные инновации и безусловные воздействия с помощью заданной модели и наблюдений.

[YF,YMSE] = forecast(EstMdl,nSim,'X0',X(estInds),...
    'Y0',y(estInds),'XF',X(foreInds));
ForecastInt = [YF,YF] + 1.96*[-sqrt(YMSE), sqrt(YMSE)];

figure
h1 = plot(dates,y);
title('{\bf Forecasted Monthly Passenger Totals}')
hold on
h2 = plot(dates(foreInds),YF,'Color','r','LineWidth',2);
h3 = plot(dates(foreInds),ForecastInt,'k--','LineWidth',2);
datetick
legend([h1,h2,h3(1)],'Observations','MMSE Forecasts',...
    '95% MMSE Forecast Intervals','Location','NorthWest')
axis tight
hold off

Модель регрессии с ошибками SMA, кажется, предсказывает ряд хорошо, хотя немного переоценивая. Поскольку ошибочный процесс является неустановившимся, интервалы прогноза расширяются, когда время увеличивается.

Сравните прогнозы MMSE с прогнозами Монте-Карло путем симуляции 500 демонстрационных путей от EstMdl по горизонту прогноза.

[e0,u0] = infer(EstMdl,y(estInds),'X',X(estInds));
rng(5);
numPaths = 500;
ySim = simulate(EstMdl,nSim,'numPaths',numPaths,...
    'E0',e0,'U0',u0,'X',X(foreInds));
meanYSim = mean(ySim,2);
ForecastIntMC = [prctile(ySim,2.5,2),prctile(ySim,97.5,2)];

figure
h1 = plot(dates(foreInds),y(foreInds));
title('{\bf Forecasted Monthly Passenger Totals}')
hold on
h2 = plot(dates(foreInds),YF,'Color',[0.85,0.85,0.85],...
    'LineWidth',4);
h3 = plot(dates(foreInds),ForecastInt,'--','Color',...
    [0.85,0.85,0.85],'LineWidth',4);
h4 = plot(dates(foreInds),meanYSim,'k','LineWidth',2);
h5 = plot(dates(foreInds),ForecastIntMC,'k--','LineWidth',2);
datetick
legend([h1,h2,h3(1),h4,h5(1)],'Observations',...
    'MMSE Forecasts','95% MMSE Forecast Intervals',...
    'Monte Carlo Forecasts','95% Monte Carlo Forecast Intervals',...
    'Location','NorthWest')
axis tight
hold off

Прогнозы MMSE и средние прогнозы Монте-Карло фактически неразличимы. Однако существуют небольшие несоответствия между теоретическими 95%-ми интервалами прогноза и основанными на симуляции 95%-ми интервалами прогноза.

Смотрите также

| | |

Связанные примеры

Больше о

Для просмотра документации необходимо авторизоваться на сайте