Суперклассы:
Создайте модель регрессии с ошибками временных рядов ARIMA
regARIMA
создает модель регрессии с ошибками временных рядов ARIMA поддержать интерпретацию чувствительности коэффициентов регрессии.
По умолчанию ошибки временных рядов (также названный безусловными воздействиями) независимы, тождественно распределенные, означают 0 Гауссовых случайных переменных. Если ошибки имеют структуру автокорреляции, то можно задать модели для них. Модели включают:
скользящее среднее значение (MA)
авторегрессивный (AR)
смешанное авторегрессивное и скользящее среднее значение (ARMA)
интегрированный (ARIMA)
мультипликативный сезонный (SARIMA)
Задайте ошибочные модели, содержащие известные коэффициенты к:
создает модель регрессии со степенью 0 ошибок ARIMA и никакой коэффициент регрессии.Mdl
= regARIMA
создает модель регрессии с ошибками, смоделированными несезонными, линейными временными рядами с авторегрессивной степенью Mdl
= regARIMA(p
,D
,q
)p
, степень дифференцирования D
и степень скользящего среднего значения q
.
создает модель регрессии с дополнительными опциями ошибок ARIMA, заданными одним или несколькими аргументами пары Mdl
= regARIMA(Name,Value
)Name,Value
. Name
может также быть именем свойства, и Value
является соответствующим значением. Имя должно находиться внутри одинарных кавычек (' ').
Можно задать несколько аргументов пары
Name,Value
в любом порядке как Name1,Value1,...,NameN,ValueN
.
Для моделей регрессии с несезонными ошибками ARIMA используйте p
, D
и q
. Для моделей регрессии с сезонными ошибками ARIMA используйте аргументы пары Name,Value
.
|
Несезонная, авторегрессивная полиномиальная степень для ошибочной модели, заданной как положительное целое число. |
|
Несезонная степень интегрирования для ошибочной модели, заданной как неотрицательное целое число. |
|
Несезонная степень полинома скользящего среднего значения для ошибочной модели, заданной как положительное целое число. |
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.
|
Прерывание модели Regression, заданное как пара, разделенная запятой, состоящая из Значение по умолчанию: | |||||||||||||
|
Коэффициенты модели регрессии сопоставлены с данными о предикторе, заданными как пара, разделенная запятой, состоящая из Значение по умолчанию: | |||||||||||||
|
Несезонные, авторегрессивные коэффициенты для ошибочной модели, заданной как пара, разделенная запятой, состоящая из
Значение по умолчанию: вектор Ячейки | |||||||||||||
|
Несезонные коэффициенты скользящего среднего значения для ошибочной модели, заданной как пара, разделенная запятой, состоящая из
Значение по умолчанию: вектор Ячейки | |||||||||||||
|
Задержки, сопоставленные с коэффициентами Значение по умолчанию: Вектор целых чисел 1,2..., p, несезонная, авторегрессивная полиномиальная степень. | |||||||||||||
|
Задержки, сопоставленные с коэффициентами Значение по умолчанию: Вектор целых чисел 1,2..., q, несезонная степень полинома скользящего среднего значения. | |||||||||||||
|
Сезонные, авторегрессивные коэффициенты для ошибочной модели, заданной как пара, разделенная запятой, состоящая из
Значение по умолчанию: вектор Ячейки | |||||||||||||
|
Сезонные коэффициенты скользящего среднего значения для ошибочной модели, заданной как пара, разделенная запятой, состоящая из
Значение по умолчанию: вектор Ячейки | |||||||||||||
|
Задержки, сопоставленные с коэффициентами Значение по умолчанию: Вектор целых чисел 1,2..., ps, сезонная, авторегрессивная полиномиальная степень. | |||||||||||||
|
Задержки, сопоставленные с коэффициентами Значение по умолчанию: Вектор целых чисел 1,2..., qs, сезонная степень полинома скользящего среднего значения. | |||||||||||||
|
Несезонная степень полинома дифференцирования (т.е. несезонная степень интегрирования) для ошибочной модели, заданной как пара, разделенная запятой, состоящая из Значение по умолчанию: | |||||||||||||
|
Сезонная степень полинома дифференцирования для ошибочной модели, заданной как пара, разделенная запятой, состоящая из Значение по умолчанию: | |||||||||||||
|
Отклонение образцовых инноваций εt, заданный как пара, разделенная запятой, состоящая из Значение по умолчанию: | |||||||||||||
|
Распределение условной вероятности инновационного процесса, заданного как пара, разделенная запятой, состоящая из
Значение по умолчанию: | |||||||||||||
|
Представьте в виде строки скаляр или вектор символов, описывающий модель. По умолчанию этот аргумент описывает параметрическую форму модели, например, |
Каждый AR
, SAR
, MA
и коэффициент SMA
сопоставлены с базовым полиномом оператора задержки и подвергаются тесту исключения почти неприятия. Таким образом, программное обеспечение сравнивает каждый коэффициент с неприятием оператора задержки по умолчанию, 1e-12
. Если значение коэффициента больше, чем 1e-12
, то программное обеспечение включает его в модель. В противном случае программное обеспечение рассматривает коэффициент достаточно близко к 0 и исключает его из модели. Для дополнительных деталей смотрите LagOp
.
Задайте задержки, сопоставленные с сезонными полиномами SAR
и SMA
в периодичности наблюдаемых данных, и не как множители параметра Seasonality
. Это соглашение не соответствует стандартному Полю и Дженкинсу [1] обозначение, но это - более гибкий подход для слияния мультипликативной сезонности.
|
Вектор ячейки несезонных, авторегрессивных коэффициентов, соответствующих стабильному полиному ошибочной модели. Связанные задержки 1,2..., p, который является несезонной, авторегрессивной полиномиальной степенью, или, как задано в |
|
Вектор действительных чисел коэффициентов регрессии, соответствующих столбцам матрицы данных предиктора. |
|
Неотрицательное целое число, указывающее на несезонную степень интегрирования ошибочной модели. |
| Представьте скаляр в виде строки для образцового описания. |
|
Структура данных для распределения условной вероятности инновационного процесса. Поле |
|
Скалярное прерывание в ошибочной модели. |
|
Вектор ячейки несезонных коэффициентов скользящего среднего значения, соответствующих обратимому полиному ошибочной модели. Связанные задержки 1,2..., q до степени несезонного полинома скользящего среднего значения, или, как задано в |
|
Скаляр, соедините авторегрессивную полиномиальную степень ошибочной модели.
|
|
Скаляр, составная степень полинома скользящего среднего значения ошибочной модели.
|
|
Вектор ячейки сезонных авторегрессивных коэффициентов, соответствующих стабильному полиному ошибочной модели. Связанные задержки 1,2..., ps, который является сезонной авторегрессивной полиномиальной степенью, или, как задано в |
|
Вектор ячейки сезонных коэффициентов скользящего среднего значения, соответствующих обратимому полиному ошибочной модели. Связанные задержки 1,2..., qs, который является сезонной степенью полинома скользящего среднего значения, или, как задано в |
|
Неотрицательное целое число, указывающее на сезонную степень полинома дифференцирования для ошибочной модели. |
|
Отклонение положительной скалярной величины образцовых инноваций. |
arima | Преобразуйте модель регрессии с ошибками ARIMA к модели ARIMAX |
оценка | Оцените параметры моделей регрессии с ошибками ARIMA |
фильтр | Пропустите воздействия через модель регрессии с ошибками ARIMA |
прогноз | Предскажите ответы модели регрессии с ошибками ARIMA |
импульс | Импульсный ответ модели регрессии с ошибками ARIMA |
вывести | Выведите инновации моделей регрессии с ошибками ARIMA |
печать | (Чтобы быть удаленным), оценка Отображения заканчивается для моделей регрессии с ошибками ARIMA |
моделировать | Симуляция Монте-Карло модели регрессии с ошибками ARIMA |
подвести итог | Отобразите результаты оценки модели регрессии с ошибками ARIMA |
Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).
[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.