Общая цель моделирования временных рядов генерирует прогнозы процесса за будущий период времени. Таким образом, учитывая наблюдаемую серию y 1, y 2..., yN и горизонт прогноза h, генерирует прогнозы для
Пусть обозначьте прогноз процесса во время t + 1, условное выражение на истории процесса до времени t, Ht и внешний ковариационный ряд до времени t + 1, X t + 1, если компонент регрессии включен в модель. Прогноз минимальной среднеквадратичной погрешности (MMSE) является прогнозом это минимизирует ожидаемую квадратную потерю,
Минимизация этой функции потерь приводит к прогнозу MMSE,
forecast
генерирует прогнозы MMSEФункция forecast
генерирует прогнозы MMSE рекурсивно. Когда вы вызываете forecast
, вы задаете модель Mdl
, предсказываете горизонт numperiods
и преддемонстрационные ответы Y0
. Можно опционально задать преддемонстрационные инновации 'E0'
, условные отклонения 'V0'
и внешние данные 'X0'
при помощи аргументов пары "имя-значение". Несмотря на то, что forecast
не требует X0
или предсказывать демонстрационные внешние данные XF
, если вы задаете X0
затем, необходимо также задать XF
.
Чтобы начать предсказывать от конца наблюдаемого ряда, скажем Y
, используют последние несколько наблюдений за Y
как преддемонстрационные ответы Y0
, чтобы инициализировать прогноз. Существует несколько точек, чтобы иметь в виду, когда вы задаете преддемонстрационные данные:
Минимальное количество ответов должно было инициализировать прогнозирование, хранится в свойстве P
модели arima
. Если вы обеспечиваете слишком мало преддемонстрационных наблюдений, forecast
возвращает ошибку.
Если вы предсказываете модель с компонентом MA, то forecast
требует преддемонстрационных инноваций. Количество необходимых инноваций хранится в свойстве Q
модели arima
. Если у вас также есть условная модель отклонения, необходимо дополнительно объяснить любые преддемонстрационные инновации, которых она требует. Если вы задаете преддемонстрационные инновации, но недостаточно, forecast
возвращает ошибку.
Если вы не задаете преддемонстрационных инноваций, но задаете достаточные преддемонстрационные ответы (по крайней мере, P
+ Q
) и внешние ковариационные данные (по крайней мере, количество преддемонстрационных ответов минус P
), то forecast
автоматически выводит преддемонстрационные инновации. В целом, чем дольше преддемонстрационный ряд ответа, который вы обеспечиваете, тем лучше выведенные преддемонстрационные инновации будут. Если вы обеспечиваете преддемонстрационные ответы и внешние ковариационные данные, но недостаточно, forecast
устанавливает преддемонстрационные равные нулю инновации.
Если вы предсказываете модель с компонентом регрессии, то forecast
требует, чтобы будущие внешние ковариационные данные навсегда указали в период прогноза (numperiods
). Если вы обеспечиваете будущие внешние ковариационные данные, но недостаточно, то forecast
возвращает ошибку.
Рассмотрите генерирующиеся прогнозы для AR (2) процесс,
Учитывая преддемонстрационные наблюдения и прогнозы рекурсивно сгенерированы можно следующим образом:
Для стационарного процесса AR эта рекурсия сходится к безусловному среднему значению процесса,
Для MA (2) процесс, например,
вам нужны 2 преддемонстрационных инновации, чтобы инициализировать прогнозы. Все инновации со времени N + 1 и больше установлены в свое ожидание, нуль. Таким образом, для MA (2) процесс, прогноз на любое время больше чем 2 шага в будущем является безусловным средним значением, μ.
Среднеквадратичной погрешностью прогноза для s - шаг вперед прогноз дают
Считайте условную среднюю модель данной
где . Суммируйте отклонения изолированных инноваций, чтобы получить s - шаг MSE,
где обозначает инновационное отклонение.
Для стационарных процессов коэффициенты бесконечного полинома оператора задержки являются абсолютно суммируемыми, и MSE сходится к безусловному отклонению процесса.
Для неустановившихся процессов не сходится ряд, и ошибка прогноза растет в зависимости от времени.