Преддемонстрационные данные для условной средней образцовой оценки

Presample data прибывает из моментов времени перед началом периода наблюдения. В Econometrics Toolbox™ можно задать собственные преддемонстрационные данные или использование сгенерированные преддемонстрационные данные.

В условной средней модели распределение εt является условным выражением на исторической информации. Историческая информация включает прошлые ответы, y1,y2,,yt1, прошлые инновации, ε1,ε2,,εt1, и, если вы включаете их в модель, прошлые и настоящие внешние коварианты, x1,x2,,xt1,xt.

Количество прошлых ответов и инноваций, от которых зависят текущие инновации, определяется степенью AR или операторов MA и любого дифференцирования. Например, в модели AR (2), каждые инновации зависят от двух предыдущих ответов,

εt=ytcϕ1yt1ϕ2yt2.

В моделях ARIMAX текущие инновации также зависят от текущего значения внешнего коварианта (различающиеся распределенные модели задержки). Например, в модели ARX (2) с одним внешним ковариантом, каждые инновации зависят от предыдущих двух ответов и текущего значения коварианта,

εt=ytcϕ1yt1ϕ2yt2+xt.

В целом вклад вероятности первых нескольких инноваций является условным выражением на исторической информации, которая не может быть заметной. Как вы оцениваете параметры без всех данных? В ARX (2) пример, ε2 явным образом зависит от y1, y0, и x2, и ε1 явным образом зависит от y0, y1, и x1. Неявно, ε2 зависит от x1 и x0, и ε1 зависит от x0 и x1. Однако вы не можете наблюдать y0, y1, x0, и x1.

Сумма преддемонстрационных данных, что необходимо инициализировать модель, зависит от степени модели. Свойство P модели arima задает количество преддемонстрационных ответов и внешних данных, что необходимо инициализировать фрагмент AR условной средней модели. Например, P = 2 в модели ARX (2). Поэтому вам нужны два ответа и две точки данных от каждого внешнего ковариационного ряда, чтобы инициализировать модель.

Одна опция должна использовать первые данные P из ответа и внешнего ковариационного ряда как ваша предварительная выборка, и затем соответствовать вашей модели к остающимся данным. Это приводит к некоторой потере объема выборки. Если вы планируете сравнить несколько потенциальных моделей, имеют в виду, что можно только использовать основанные на вероятности меры подгонки (включая тест отношения правдоподобия и информационные критерии), чтобы сравнить подгонку моделей к тем же данным (того же объема выборки). Если вы задаете свои собственные преддемонстрационные данные, то необходимо использовать самое большое необходимое количество преддемонстрационных ответов через все модели, которые вы хотите сравнить.

Свойство Q модели arima указывает, что количество преддемонстрационных инноваций должно было инициализировать фрагмент MA условной средней модели. Можно получить преддемонстрационные инновации путем деления данных на две части. Подберите модель к первой части и выведите инновации. Затем используйте выведенные инновации в качестве преддемонстрационных инноваций для оценки второй части данных.

Для модели и с компонентом авторегрессивного и со скользящего среднего значения, можно задать и преддемонстрационные ответы и инновации, один или другой или ни один.

По умолчанию estimate генерирует автоматический преддемонстрационный ответ и инновационные данные. Программное обеспечение:

  • Генерирует преддемонстрационные ответы обратным прогнозированием.

  • Обнуляет преддемонстрационные инновации.

  • Не генерирует преддемонстрационные внешние данные. Одна опция должна назад предсказать каждый внешний ряд, чтобы сгенерировать предварительную выборку во время предварительной обработки данных.

Смотрите также

|

Связанные примеры

Больше о

Для просмотра документации необходимо авторизоваться на сайте