Преддемонстрационные Значения для regARIMA 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 моделях регрессии с ошибками ARIMA распределение текущих инноваций (εt) является условным выражением на historic information (Ht). Историческая информация может включать прошлые безусловные воздействия или прошлые инновации, т.е. Ht = {u t – 1, ε t – 1, u t – 2, ε t – 2..., u 0, ε 0, u –1, ε –1...}. Однако программное обеспечение не включает прошлые ответы (yt), ни прошлые предикторы (Xt) в Ht. Например, в модели регрессии с ARIMA (2,1,1) ошибки, можно записать ошибочную модель несколькими способами:
Последнее уравнение подразумевает что:
Первые инновации в ряду (ε 1) зависят от истории H 1 = {u –2, u –1, u 0, ε 0}. H 1 не заметен, ни выводим из модели регрессии.
Вторые инновации в ряду (ε 2) зависят от истории H 2 = {u –1, u 0, u 1, ε 1}. Программное обеспечение может вывести u 1 и ε 1, но не другие.
Третьи инновации в ряду (ε 3) зависят от истории H 3 = {u 0, u 1, u 2, ε 2}. Программное обеспечение может вывести u 1, u 2, и ε 1, но не u 0.
Остальная часть инноваций зависит от выводимых безусловных воздействий и инноваций.
Поэтому программное обеспечение требует, чтобы три преддемонстрационных безусловных воздействия инициализировали авторегрессивный фрагмент и преддемонстрационные инновации, чтобы инициализировать фрагмент скользящего среднего значения.
Степени составных полиномов авторегрессивного и скользящего среднего значения определяют количество прошлых безусловных воздействий и инноваций, от которых зависит εt. Составной авторегрессивный полином включает сезонные и несезонные авторегрессивные, и сезонные и несезонные полиномы интегрирования. Составной полином скользящего среднего значения включает сезонные и несезонные полиномы скользящего среднего значения. В примере степенью составного авторегрессивного полинома является P = 3, и степенью полинома скользящего среднего значения является Q = 1. Поэтому программное обеспечение требует трех преддемонстрационных безусловных воздействий и преддемонстрационных инноваций.
Если у вас нет преддемонстрационных значений (или не предоставляйте их), то, по умолчанию, обратные броски программного обеспечения для необходимых преддемонстрационных безусловных воздействий, и устанавливает необходимые преддемонстрационные инновации на 0.
Другая опция, чтобы получить преддемонстрационные безусловные воздействия должна разделить набор данных в преддемонстрационный фрагмент и фрагмент оценки:
Разделите данные, таким образом, что преддемонстрационный фрагмент содержит, по крайней мере, наблюдения
max(P,Q). Программное обеспечение использует новые наблюденияmax(P,Q)и игнорирует остальных.Для преддемонстрационного фрагмента регрессируйте yt на Xt.
Выведите невязки из модели регрессии. Это преддемонстрационные безусловные воздействия.
Передайте преддемонстрационные безусловные воздействия (
U0) и фрагмент оценки данных вestimate.
Эта опция приводит к потере объема выборки. Обратите внимание на то, что при сравнении многоуровневых моделей с помощью основанных на вероятности мер подгонки (таких как тесты отношения правдоподобия или информационные критерии), затем данные должны иметь те же фрагменты оценки, и преддемонстрационные фрагменты должны иметь равный размер.
Если вы планируете определение преддемонстрационных значений, то необходимо задать, по крайней мере, номер, необходимый, чтобы инициализировать ряд.
Можно задать и преддемонстрационные безусловные воздействия и инновации, один или другой или ни один.