Укажите, что условное выражение означает модели

Модель ARIMA по умолчанию

ARIMA по умолчанию (p, D, q) модель в Econometrics Toolbox™ является несезонной моделью формы

ΔDyt=c+ϕ1ΔDyt1++ϕpΔDytp+θ1εt1++θqεtq+εt.

Можно написать это уравнение в сжатой форме с помощью обозначения оператора задержки:

ϕ(L)(1L)Dyt=c+θ(L)εt

В любом уравнении инновационное распределение по умолчанию является Гауссовым со средним нулевым и постоянным отклонением.

В командной строке можно задать модель этой формы с помощью краткого синтаксиса arima(p,D,q). Для входных параметров p, D, и q, вводит номер несезонных условий AR (p), порядок несезонного интегрирования (D), и количество несезонного MA называет (q), соответственно.

Когда вы используете этот краткий синтаксис, arima создает модель arima с этими значениями свойств по умолчанию.

PropertyName Тип данных свойства
ARВектор ячейки NaN s
BetaПустой вектор [] коэффициентов регрессии, соответствующих внешним ковариантам
ConstantNaN
DСтепень несезонного интегрирования, D
Distribution"Gaussian"
MAВектор ячейки NaN s
PКоличество AR называет плюс степень интегрирования, p + D
QКоличество условий MA, q
SARВектор ячейки NaN s
SMAВектор ячейки NaN s
VarianceNaN

Чтобы присвоить значения не по умолчанию любым свойствам, можно изменить созданный объект модели с помощью записи через точку.

Заметьте, что входные параметры D и q являются значениями присвоения arima к свойствам D и Q. Однако входной параметр p является не обязательно значением присвоения arima к образцовому свойству P. хранилища P количество преддемонстрационных наблюдений должны были инициализировать компонент AR модели. Для несезонных моделей необходимым количеством преддемонстрационных наблюдений является p + D.

Чтобы проиллюстрировать, рассмотрите определение модели ARIMA (2,1,1)

(1ϕ1Lϕ2L2)(1L)1yt=c+(1+θ1L)εt,

где инновационный процесс является Гауссовым с (неизвестным) постоянным отклонением.

Mdl = arima(2,1,1)
Mdl = 
  arima with properties:

     Description: "ARIMA(2,1,1) Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 3
               D: 1
               Q: 1
        Constant: NaN
              AR: {NaN NaN} at lags [1 2]
             SAR: {}
              MA: {NaN} at lag [1]
             SMA: {}
     Seasonality: 0
            Beta: [1×0]
        Variance: NaN

Заметьте, что образцовое свойство P не имеет значения 2 (степень AR). С интегрированием, в общей сложности p + D (здесь, 2 + 1 = 3) преддемонстрационные наблюдения необходимы, чтобы инициализировать компонент AR модели.

Созданная модель, Mdl, имеет NaN s для всех параметров. Значение NaN сигнализирует, что параметр должен быть оценен или в противном случае задан пользователем. Все параметры должны быть заданы, чтобы предсказать или моделировать модель.

Чтобы оценить параметры, введите объект модели (наряду с данными) к estimate. Это возвращает новый подходящий объект модели arima. Объект подобранной модели имеет оценки параметра для каждого значения входа NaN.

Вызов arima без любых входных параметров возвращает спецификацию модели ARIMA (0,0,0) со значениями свойств по умолчанию:

DefaultMdl = arima
DefaultMdl = 
  arima with properties:

     Description: "ARIMA(0,0,0) Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 0
               D: 0
               Q: 0
        Constant: NaN
              AR: {}
             SAR: {}
              MA: {}
             SMA: {}
     Seasonality: 0
            Beta: [1×0]
        Variance: NaN

Задайте несезонные модели Используя пары "имя-значение"

Лучший способ задать модели к arima использует аргументы пары "имя-значение". Вам не нужно, и при этом вы не в состоянии, чтобы задать значение для каждого свойства объекта модели. arima присваивает значения по умолчанию любым свойствам, которые вы не делаете (или не может) задавать.

В сжатом, обозначении оператора задержки, несезонный ARIMA (p, D, q) модели имеют форму

ϕ(L)(1L)Dyt=c+θ(L)εt.(1)

Можно расширить эту модель к ARIMAX (p, D, q) модель с линейным включением внешних переменных. Эта модель имеет форму

ϕ(L)yt=c+xtβ+θ(L)εt,(2)
где c* = c / (1–L) D и θ*(L) = θ(L) / (1–L) D.

Совет

Если вы задаете ненулевой D, то различия в Econometrics Toolbox серия yt ответа перед предикторами вводят модель. Необходимо предварительно обработать внешние коварианты xt путем тестирования на стационарность и дифференцирование, если кто-либо - модульный неустановившийся корень. Если какой-либо неустановившийся внешний ковариант вводит модель, то ложный отрицательный уровень для тестов значения β может увеличиться.

Для распределения инноваций, εt, существует два варианта:

  • t независимого и тождественно распределенного (iid) Гауссова или Студента с постоянным отклонением, σε2.

  • t зависимого Гауссова или Студента с условным процессом отклонения, σt2. Задайте условную модель отклонения использование garch, egarch или модели gjr.

Значением по умолчанию arima для инноваций является iid Гауссов процесс с постоянным (скалярным) отклонением.

В порядке оценить, предскажите или моделируйте модель, необходимо задать параметрическую форму модели (например, какие задержки соответствуют ненулевым коэффициентам, инновационному распределению), и любые известные значения параметров. Можно установить любые неизвестные параметры, равные NaN, и затем вводить модель к estimate (наряду с данными), чтобы получить оцененные значения параметров.

arimaestimate) возвращает модель, соответствующую образцовой спецификации. Можно изменить модели, чтобы изменить или обновить спецификацию. Введите модели (без значений NaN) к forecast или simulate для прогнозирования и симуляции, соответственно. Вот некоторые спецификации в качестве примера с помощью аргументов значения имени.

МодельСпецификация
  • yt=c+ϕ1yt1+εt

  • εt=σεzt

  • Гауссов zt

arima('AR',NaN) или arima(1,0,0)
  • yt=εt+θ1εt1+θ2εt2

  • εt=σεzt

  • Студент zt t с неизвестными степенями свободы

arima ('Констант', 0, 'MA', {NaN, NaN}...
'Распределение', 't')
  • (10.8L)(1L)yt=0.2+(1+0.6L)εt

  • εt=0.1zt

  • Студент zt t с восемью степенями свободы

arima ('Констант', 0.2, 'AR', 0.8, 'MA', 0.6, 'D', 1...
'Отклонение', 0.1^2, 'Распределение', struct ('Имя', 't', 'степень свободы', 8))
  • (1+0.5L)(1L)1Δyt=xt[52]+εt

  • εt~N(0,1)

arima('Constant',0,'AR',-0.5,'D',1,'Beta',[-5 2])

Можно задать следующие аргументы значения имени, чтобы создать несезонные модели arima.

Аргументы значения имени для несезонных моделей ARIMA

ИмяСоответствующий образцовый термин (термины) в уравнении 1Когда задать
ARНесезонные коэффициенты AR, ϕ1,,ϕp

Установить ограничения равенства для коэффициентов AR. Например, чтобы задать коэффициенты AR в модели

yt=0.8yt10.2yt2+εt,

задайте 'AR',{0.8,-0.2}.

Только необходимо указать ненулевые элементы AR. Если ненулевые коэффициенты в непоследовательных задержках, задают соответствующие задержки с помощью ARLags.

Любые коэффициенты, которые вы задаете, должны соответствовать стабильному полиному оператора AR.

ARLagsЗадержки, соответствующие ненулевым, несезонным коэффициентам AR

ARLags не является образцовым свойством.

Используйте этот аргумент в качестве ярлыка для определения AR, когда ненулевые коэффициенты AR будут соответствовать непоследовательным задержкам. Например, чтобы задать ненулевые коэффициенты AR в задержках 1 и 12, например, yt=ϕ1yt1+ϕ12yt12+εt,задайте 'ARLags',[1,12].

Используйте AR и ARLags вместе, чтобы задать известные ненулевые коэффициенты AR в непоследовательных задержках. Например, если в данной модели AR (12) ϕ1=0.6 и ϕ12=0.3, задайте 'AR',{0.6,-0.3},'ARLags',[1,12].

BetaЗначения коэффициентов внешних ковариантов

Используйте этот аргумент, чтобы задать значения коэффициентов внешних переменных. Например, используйте 'Beta',[0.5 7 -2], чтобы задать β=[0.572].

По умолчанию Beta является пустым вектором.

ConstantПостоянный термин, cУстановить ограничения равенства для c. Например, для модели без постоянного термина, задайте 'Constant',0.
По умолчанию Constant имеет значение NaN.
DСтепень несезонного дифференцирования, DЗадавать степень несезонного дифференцирования, больше, чем нуль. Например, чтобы задать одну степень дифференцирования, задайте 'D',1.
По умолчанию D имеет значение 0 (значение никакого несезонного интегрирования).
DistributionРаспределение инновационного процессаИспользуйте этот аргумент, чтобы задать инновационное распределение t Студента. По умолчанию инновационное распределение является Гауссовым.
Например, чтобы задать распределение t с неизвестными степенями свободы, задайте 'Distribution','t'.
Чтобы задать инновационное распределение t с известными степенями свободы, присвойте Distribution структура данных с полями Name и DoF. Например, для распределения t с девятью степенями свободы, задайте 'Distribution',struct('Name','t','DoF',9).
MAНесезонные коэффициенты MA, θ1,,θq

Установить ограничения равенства для коэффициентов MA. Например, чтобы задать коэффициенты MA в модели

yt=εt+0.5εt1+0.2εt2,

задайте 'MA',{0.5,0.2}.

Только необходимо указать ненулевые элементы MA. Если ненулевые коэффициенты в непоследовательных задержках, задают соответствующие задержки с помощью MALags.

Любые коэффициенты, которые вы задаете, должны соответствовать обратимому полиному MA.

MALagsЗадержки, соответствующие ненулевым, несезонным коэффициентам MA

MALags не является образцовым свойством.

Используйте этот аргумент в качестве ярлыка для определения MA, когда ненулевые коэффициенты MA будут соответствовать непоследовательным задержкам. Например, чтобы задать ненулевые коэффициенты MA в задержках 1 и 4, например,

yt=εt+θ1εt1+θ4εt4,

задайте 'MALags',[1,4].

Используйте MA и MALags вместе, чтобы задать известные ненулевые коэффициенты MA в непоследовательных задержках. Например, если в данной модели MA (4) θ1=0.5 и θ4=0.2, задайте 'MA',{0.4,0.2},'MALags',[1,4].

Variance
  • Скалярное отклонение инновационного процесса, σε2

  • Условный процесс отклонения, σt2

  • Установить ограничения равенства для σε2. Например, для модели с известным отклонением 0.1, задайте 'Variance',0.1. По умолчанию Variance имеет значение NaN.

  • Задавать условную модель отклонения, σt2. Установите 'Variance', равный условному объекту модели отклонения, например, объекту модели garch.

Примечание

Вы не можете присвоить значения свойствам P и Q. Для несезонных моделей,

  • arima устанавливает P, равный p + D

  • arima устанавливает Q, равный q

Задайте мультипликативные модели Используя пары "имя-значение"

Какое-то время ряд с периодичностью s, задайте степень ps сезонный полином оператора AR, Φ(L)=(1Φ1Lp1ΦpsLps), и степень qs сезонный полином оператора MA, Θ(L)=(1+Θ1Lq1++ΘqsLqs). Точно так же задайте степень p несезонный полином оператора AR, ϕ(L)=(1ϕ1LϕpLp), и степень q несезонный полином оператора MA,

θ(L)=(1+θ1L++θqLq).(3)

Мультипликативной моделью ARIMA со степенью D несезонное интегрирование и степень сезонность s дают

ϕ(L)Φ(L)(1L)D(1Ls)yt=c+θ(L)Θ(L)εt.(4)
Инновационный ряд может быть процессом t независимого или зависимого Гауссова или Студента. Значением по умолчанию arima для инновационного распределения является iid Гауссов процесс с постоянным (скалярным) отклонением.

В дополнение к аргументам для определения несезонных моделей (описанный в Аргументах Значения Имени для Несезонных Моделей ARIMA), можно задать эти аргументы значения имени, чтобы создать мультипликативную модель arima. Можно расширить модель ARIMAX так же, чтобы включать сезонные эффекты.

Аргументы значения имени для сезонных моделей ARIMA

АргументСоответствующий образцовый термин (термины) в уравнении 4Когда задать
SARСезонные коэффициенты AR, Φ1,,Φps

Установить ограничения равенства для сезонных коэффициентов AR. При определении коэффициентов AR используйте знак напротив того, что появляется в уравнении 4 (то есть, используйте знак коэффициента, как это появилось бы на правой стороне уравнения).

Используйте SARLags, чтобы задать задержки ненулевых сезонных коэффициентов AR. Задайте задержки, сопоставленные с сезонными полиномами в периодичности наблюдаемых данных (например, 4, 8... для ежеквартальных данных, или 12, 24... для ежемесячных данных), и не как множители сезонности (например, 1, 2...).

Например, чтобы задать модель

(10.8L)(10.2L12)yt=εt,

задайте 'AR',0.8,'SAR',0.2,'SARLags',12.

Любые содействующие значения, которые вы вводите, должны соответствовать стабильному сезонному полиному AR.

SARLagsЗадержки, соответствующие ненулевым сезонным коэффициентам AR, в периодичности наблюдаемого ряда

SARLags не является образцовым свойством.

Используйте этот аргумент при определении SAR, чтобы указать на задержки ненулевых сезонных коэффициентов AR.

Например, чтобы задать модель

(1ϕL)(1Φ12L12)yt=εt,

задайте 'ARLags',1,'SARLags',12.

SMAСезонные коэффициенты MA, Θ1,,Θqs

Установить ограничения равенства для сезонных коэффициентов MA.

Используйте SMALags, чтобы задать задержки ненулевых сезонных коэффициентов MA. Задайте задержки, сопоставленные с сезонными полиномами в периодичности наблюдаемых данных (например, 4, 8... для ежеквартальных данных, или 12, 24... для ежемесячных данных), и не как множители сезонности (например, 1, 2...).

Например, чтобы задать модель

yt=(1+0.6L)(1+0.2L12)εt,

задайте 'MA',0.6,'SMA',0.2,'SMALags',12.

Любые содействующие значения, которые вы вводите, должны соответствовать обратимому сезонному полиному MA.

SMALagsЗадержки, соответствующие ненулевым сезонным коэффициентам MA, в периодичности наблюдаемого ряда

SMALags не является образцовым свойством.

Используйте этот аргумент при определении SMA, чтобы указать на задержки ненулевых сезонных коэффициентов MA.

Например, чтобы задать модель

yt=(1+θ1L)(1+Θ4L4)εt,

задайте 'MALags',1,'SMALags',4.

SeasonalityСезонная периодичность, sЗадавать степень сезонного интегрирования s в сезонном полиноме дифференцирования Δs = 1 – Ls. Например, чтобы задать периодичность для сезонного интегрирования ежемесячных данных, задайте 'Seasonality',12.
Если вы задаете ненулевой Seasonality, то степень целого сезонного полинома дифференцирования является той. По умолчанию Seasonality имеет значение 0 (значение периодичности и никакого сезонного интегрирования).

Примечание

Вы не можете присвоить значения свойствам P и Q. Для мультипликативных моделей ARIMA,

  • arima устанавливает P, равный p + D + ps + s

  • arima устанавливает Q, равный q + qs

Задайте условную среднюю модель Используя приложение Econometric Modeler

Можно задать структуру задержки и инновационное распределение сезонных и несезонных условных средних моделей с помощью приложения Econometric Modeler. Приложение обрабатывает все коэффициенты как неизвестные и допускающие оценку, включая параметр степеней свободы для инновационного распределения t.

В командной строке откройте приложение Econometric Modeler.

econometricModeler

Также откройте приложение из галереи приложений (см. Econometric Modeler).

В приложении вы видите все поддерживаемые модели путем выбора переменной временных рядов для ответа в Data Browser. Затем на вкладке Econometric Modeler, в разделе Models, кликают по стрелке, чтобы отобразить галерею моделей.

Раздел ARMA/ARIMA Models содержит поддерживаемые условные средние модели.

Для условной средней образцовой оценки SARIMA и SARIMAX являются самыми гибкими моделями. Можно создать любую условную среднюю модель, которая исключает внешние предикторы путем нажатия на SARIMA, или можно создать любую условную среднюю модель, которая включает по крайней мере один внешний предиктор путем нажатия на SARIMAX.

После того, как вы выберете модель, отображения приложения диалоговое окно Type Model Parameters, где Type является типом модели. Эти данные показывают диалоговое окно SARIMAX Model Parameters.

Корректируемые параметры в диалоговом окне зависят от Type. В целом корректируемые параметры включают:

  • Постоянная и линейная регрессия модели коэффициенты, соответствующие переменным прогноза

  • Параметры компонента временных рядов, которые включают сезонные и несезонные задержки и степени интегрирования

  • Инновационное распределение

Когда вы настраиваете значения параметров, уравнение в разделе Model Equation изменяется, чтобы совпадать с вашими спецификациями. Корректируемые параметры соответствуют входному и аргументам пары "имя-значение", описанным в предыдущих разделах и на странице с описанием arima.

Для получения дополнительной информации при определении моделей с помощью приложения, см. Подходящие Модели к Данным и Задающий Полиномы Оператора Задержки В интерактивном режиме.

Смотрите также

Приложения

Объекты

Функции

Связанные примеры

Больше о

Для просмотра документации необходимо авторизоваться на сайте