parcorr

Демонстрационная частичная автокорреляция

Синтаксис

parcorr(y)
parcorr(y,Name,Value)
pacf = parcorr(___)
[pacf,lags,bounds] = parcorr(___)
parcorr(ax,___)
[pacf,lags,bounds,h] = parcorr(___)

Описание

пример

parcorr(y) строит демонстрационную частичную автокорреляционную функцию (PACF) одномерных, стохастических временных рядов y с доверительными границами.

пример

parcorr(y,Name,Value) дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, parcorr(y,'NumLags',10,'NumSTD',2) строит демонстрационный PACF y для задержек 10 и доверительных границ отображений, состоящих из стандартных погрешностей 2.

пример

pacf = parcorr(___) возвращает демонстрационный PACF y с помощью любого из входных параметров в предыдущих синтаксисах.

пример

[pacf,lags,bounds] = parcorr(___) дополнительно возвращает числа задержки, что использование MATLAB®, чтобы вычислить PACF, и также возвращает аппроксимированные верхние и более низкие доверительные границы.

parcorr(ax,___) графики на осях заданы ax вместо текущей системы координат (gca). ax может предшествовать любой из комбинаций входных аргументов в предыдущих синтаксисах.

[pacf,lags,bounds,h] = parcorr(___) строит демонстрационный PACF y и дополнительно возвращает указатели на нанесенные на график графические объекты. Используйте элементы h, чтобы изменить свойства графика после того, как вы создадите его.

Примеры

свернуть все

Задайте модель AR (2):

yt=0.6yt-1-0.5yt-2+εt,

где εt является Гауссовым со средним значением 0 и отклонением 1.

rng(1); % For reproducibility
Mdl = arima('AR',{0.6 -0.5},'Constant',0,'Variance',1)
Mdl = 
  arima with properties:

     Description: "ARIMA(2,0,0) Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 2
               D: 0
               Q: 0
        Constant: 0
              AR: {0.6 -0.5} at lags [1 2]
             SAR: {}
              MA: {}
             SMA: {}
     Seasonality: 0
            Beta: [1×0]
        Variance: 1

Моделируйте 1 000 наблюдений от Mdl.

y = simulate(Mdl,1000);

Вычислите PACF.

[partialACF,lags,bounds] = parcorr(y,'NumAR',2);
bounds
bounds = 2×1

    0.0632
   -0.0632

Отображения bounds (-0.0633, 0.0633), которые являются верхними и более низкими доверительными границами.

Постройте PACF.

parcorr(y)

PACF убегает после второй задержки. Это поведение указывает на AR (2) процесс.

Задайте мультипликативный сезонный ARMA (2,0,1)×(3,0,0)12 модель:

(1-0.75L-0.15L2)(1-0.9L12+0.75L24-0.5L36)yt=2+εt-0.5εt-1,

где εt является Гауссовым со средним значением 0 и отклонением 1.

Mdl = arima('AR',{0.75,0.15},'SAR',{0.9,-0.75,0.5},...
    'SARLags',[12,24,36],'MA',-0.5,'Constant',2,...
    'Variance',1);

Моделируйте данные из Mdl.

rng(1);
y = simulate(Mdl,1000); 

Постройте частичную автокорреляционную функцию по умолчанию (PACF).

figure
parcorr(y)

Коррелограмма по умолчанию не отображает структуру зависимости для более высоких задержек.

Постройте PACF для 40 задержек.

figure
parcorr(y,'NumLags',40)

Коррелограмма показывает большие корреляции в задержках 12, 24, и 36.

Входные параметры

свернуть все

Наблюдаемые одномерные временные ряды, для которых программное обеспечение вычисляет или строит PACF, заданный как вектор. Последний элемент y содержит последнее наблюдение.

Задайте недостающие наблюдения с помощью NaN. Функция parcorr обрабатывает отсутствующие значения как отсутствующий полностью наугад.

Типы данных: double

Оси, на которых можно построить, заданный как объект Axes.

По умолчанию parcorr строит к текущей системе координат (gca).

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.

Пример: parcorr(y,'NumLags',10,'NumSTD',2) строит демонстрационный PACF y для задержек 10 и доверительных границ отображений, состоящих из стандартных погрешностей 2.

Количество задержек в демонстрационном PACF, заданном как пара, разделенная запятой, состоящая из 'NumLags' и положительного целого числа. использование parcorr изолирует 0:NumLags, чтобы оценить PACF.

Значением по умолчанию является min([20,T – 1]), где T является эффективным объемом выборки y.

Пример: parcorr(y,'Numlags',10) строит демонстрационный PACF y для задержек 0 через 10.

Типы данных: double

Количество задержек в теоретической модели AR y, заданного как пара, разделенная запятой, состоящая из 'NumAR' и неотрицательного целого числа меньше, чем NumLags.

parcorr использует NumAR, чтобы оценить доверительные границы. Для задержек> NumAR, parcorr принимает, что y является Гауссовым бело-шумовым процессом длины n. Следовательно, стандартная погрешность приблизительно 1/T, где T является эффективным объемом выборки y.

Пример: parcorr(y,'NumAR',10) указывает, что y является AR (10) процесс и строит доверительные границы для всех задержек, больше, чем 10.

Типы данных: double

Количество стандартных погрешностей в доверительных границах, заданных как пара, разделенная запятой, состоящая из 'NumSTD' и неотрицательного скаляра. Для всех задержек> NumAR, доверительные границы 0 ± NumSTD*σ^, где σ^ предполагаемая стандартная погрешность демонстрационной частичной автокорреляции.

Урожаи по умолчанию аппроксимируют 95% доверительных границ.

Пример: parcorr(y,'NumSTD',1.5) строит PACF y с доверительными границами стандартные погрешности 1.5 далеко от 0.

Типы данных: double

Метод оценки PACF, заданный как пара, разделенная запятой, состоящая из 'Method' и значения в этой таблице.

ЗначениеОписаниеОграничения
'ols'Обычные наименьшие квадраты (OLS)y должен быть полностью наблюдаемым рядом (то есть, он не содержит значений NaN),
'yule-walker'Уравнения Уокера Рождества'none'

Если y является полностью наблюдаемым рядом, то значением по умолчанию является 'ols'. В противном случае значением по умолчанию является 'yule-walker'.

Пример: parcorr(y,'Method','yule-walker') оценивает PACF y с помощью уравнений Уокера Рождества и затем строит PACF.

Типы данных: char | string

Выходные аргументы

свернуть все

Демонстрационный PACF одномерных временных рядов y, возвращенный как числовой вектор длины NumLags + 1.

Элементы pacf соответствуют задержкам 0,1,2..., NumLags (то есть, элементы lags). Навсегда серия y, задержка 0 частичных автокорреляций pacf(1) = 1.

Изолируйте числа, используемые для оценки PACF, возвращенной как числовой вектор длины NumLags + 1.

Аппроксимируйте верхние и более низкие частичные доверительные границы автокорреляции, принимающие, что y является AR (NumAR) процесс, возвращенный как двухэлементный числовой вектор.

Указатели на нанесенные на график графические объекты, возвращенные как графический массив. h содержит уникальные идентификаторы графика, которые можно использовать, чтобы запросить или изменить свойства графика.

Больше о

свернуть все

Частичная автокорреляционная функция

partial autocorrelation function измеряет корреляцию между yt и y t + k после корректировки для линейных эффектов y t + 1..., y t + k – 1.

Оценка PACF включает решение уравнений Уокера Рождества относительно автокорреляций. Однако, если временные ряды полностью наблюдаются, то PACF может быть оценен путем подбора кривой последовательным авторегрессивным моделям порядков 1, 2... использования обычных наименьших квадратов. Для получения дополнительной информации см. [1], Глава 3.

Пропавшие без вести полностью наугад

Наблюдениями за случайной переменной является missing completely at random, если тенденция наблюдения отсутствовать независима и от случайной переменной и от тенденции всех других наблюдений отсутствовать.

Советы

Чтобы построить PACF без доверительных границ, установите 'NumSTD',0.

Алгоритмы

parcorr строит PACF, когда вы не запрашиваете вывода или когда вы запрашиваете четвертый вывод.

Ссылки

[1] Поле, G. E. P. Г. М. Дженкинс и Г. К. Рейнсель. Анализ timeseries: Прогнозирование и Управление. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1994.

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

Представлено до R2006a

Для просмотра документации необходимо авторизоваться на сайте