класс regARIMA

Суперклассы:

Создайте модель регрессии с ошибками временных рядов ARIMA

Описание

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:

  • Моделируйте ответы с помощью simulate.

  • Исследуйте импульсные ответы с помощью impulse.

  • Предскажите будущие наблюдения с помощью forecast.

  • Оцените неизвестные коэффициенты с данными с помощью estimate.

Конструкция

Mdl = regARIMA создает модель регрессии со степенью 0 ошибок ARIMA и никакой коэффициент регрессии.

Mdl = regARIMA(p,D,q) создает модель регрессии с ошибками, смоделированными несезонными, линейными временными рядами с авторегрессивной степенью p, степень дифференцирования D и степень скользящего среднего значения q.

Mdl = regARIMA(Name,Value) создает модель регрессии с дополнительными опциями ошибок ARIMA, заданными одним или несколькими аргументами пары 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.

Входные параметры

Примечание

Для моделей регрессии с несезонными ошибками ARIMA используйте p, D и q. Для моделей регрессии с сезонными ошибками ARIMA используйте аргументы пары Name,Value.

p

Несезонная, авторегрессивная полиномиальная степень для ошибочной модели, заданной как положительное целое число.

D

Несезонная степень интегрирования для ошибочной модели, заданной как неотрицательное целое число.

q

Несезонная степень полинома скользящего среднего значения для ошибочной модели, заданной как положительное целое число.

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.

'Intercept'

Прерывание модели Regression, заданное как пара, разделенная запятой, состоящая из 'Intercept' и скаляра.

Значение по умолчанию: NaN

'Beta'

Коэффициенты модели регрессии сопоставлены с данными о предикторе, заданными как пара, разделенная запятой, состоящая из 'Beta' и вектора.

Значение по умолчанию: [] (никакие коэффициенты регрессии, соответствующие данным о предикторе)

'AR'

Несезонные, авторегрессивные коэффициенты для ошибочной модели, заданной как пара, разделенная запятой, состоящая из 'AR' и вектора ячейки. Коэффициенты должны привести к стабильному полиному.

  • Если вы задаете ARLags, то AR является вектором ячейки эквивалентной длины коэффициентов, сопоставленных с задержками в ARLags. Например, если ARLags = [1, 4] и AR = {0.2, 0.1}, то, игнорируя все другие спецификации, ошибочная модель ut=0.2ut1+0.1ut4+εt.

  • Если вы не задаете ARLags, то AR является вектором ячейки коэффициентов в задержках 1,2..., p, который является несезонной, авторегрессивной полиномиальной степенью. Например, если AR = {0.2, 0.1} и вы не задаете ARLags, затем, игнорируя все другие спецификации, ошибочная модель ut=0.2ut1+0.1ut2+εt.

Значение по умолчанию: вектор Ячейки NaN s с той же длиной как ARLags.

'MA'

Несезонные коэффициенты скользящего среднего значения для ошибочной модели, заданной как пара, разделенная запятой, состоящая из 'MA' и вектора ячейки. Коэффициенты должны привести к обратимому полиному.

  • Если вы задаете MALags, то MA является вектором ячейки эквивалентной длины коэффициентов, сопоставленных с задержками в MALags. Например, если MALags = [1, 4] и MA = {0.2, 0.1}, то, игнорируя все другие спецификации, ошибочная модель ut=εt+0.2εt1+0.1εt4.

  • Если вы не задаете MALags, то MA является вектором ячейки коэффициентов в задержках 1,2..., q, который является несезонной степенью полинома скользящего среднего значения. Например, если MA = {0.2, 0.1} и вы не задаете MALags, затем, игнорируя все другие спецификации, ошибочная модель ut=εt+0.2εt1+0.1εt2.

Значение по умолчанию: вектор Ячейки NaN s с той же длиной как MALags.

'ARLags'

Задержки, сопоставленные с коэффициентами AR в ошибочной модели, заданной как пара, разделенная запятой, состоящая из 'ARLags' и вектор положительных целых чисел.

Значение по умолчанию: Вектор целых чисел 1,2..., p, несезонная, авторегрессивная полиномиальная степень.

'MALags'

Задержки, сопоставленные с коэффициентами MA в ошибочной модели, заданной как пара, разделенная запятой, состоящая из 'MALags' и вектор положительных целых чисел.

Значение по умолчанию: Вектор целых чисел 1,2..., q, несезонная степень полинома скользящего среднего значения.

'SAR'

Сезонные, авторегрессивные коэффициенты для ошибочной модели, заданной как пара, разделенная запятой, состоящая из 'SAR' и вектора ячейки. Коэффициент должен привести к стабильному полиному.

  • Если вы задаете SARLags, то SAR является вектором ячейки эквивалентной длины коэффициентов, сопоставленных с задержками в SARLags. Например, если SARLags = [1, 4], SAR = {0.2, 0.1} и Seasonality = 4, то, игнорируя все другие спецификации, ошибочная модель

    (10.2L0.1L4)(1L4)ut=εt.

  • Если вы не задаете SARLags, то SAR является вектором ячейки коэффициентов в задержках 1,2..., ps, который является сезонной, авторегрессивной полиномиальной степенью. Например, если SAR = {0.2, 0.1} и Seasonality = 4, и вы не задаете SARLags, затем, игнорируя все другие спецификации, ошибочная модель

    (10.2L0.1L2)(1L4)ut=εt.

Значение по умолчанию: вектор Ячейки NaN s с той же длиной как SARLags.

'SMA'

Сезонные коэффициенты скользящего среднего значения для ошибочной модели, заданной как пара, разделенная запятой, состоящая из 'SMA' и вектора ячейки. Коэффициент должен привести к обратимому полиному.

  • Если вы задаете SMALags, то SMA является вектором ячейки эквивалентной длины коэффициентов, сопоставленных с задержками в SMALags. Например, если SMALags = [1, 4], SMA = {0.2, 0.1} и Seasonality = 4, то, игнорируя все другие спецификации, ошибочная модель (1L4)ut=(1+0.2L+0.1L4)εt.

  • Если вы не задаете SMALags, то SMA является вектором ячейки коэффициентов в задержках 1,2..., qs, сезонная степень полинома скользящего среднего значения. Например, если SMA = {0.2, 0.1} и Seasonality = 4, и вы не задаете SMALags, затем, игнорируя все другие спецификации, ошибочная модель (1L4)ut=(1+0.2L+0.1L2)εt.

Значение по умолчанию: вектор Ячейки NaN s с той же длиной как SMALags.

'SARLags'

Задержки, сопоставленные с коэффициентами SAR в ошибочной модели, заданной как пара, разделенная запятой, состоящая из 'SARLags' и вектор положительных целых чисел.

Значение по умолчанию: Вектор целых чисел 1,2..., ps, сезонная, авторегрессивная полиномиальная степень.

'SMALags'

Задержки, сопоставленные с коэффициентами SMA в ошибочной модели, заданной как пара, разделенная запятой, состоящая из 'SMALags' и вектор положительных целых чисел.

Значение по умолчанию: Вектор целых чисел 1,2..., qs, сезонная степень полинома скользящего среднего значения.

'D'

Несезонная степень полинома дифференцирования (т.е. несезонная степень интегрирования) для ошибочной модели, заданной как пара, разделенная запятой, состоящая из 'D' и неотрицательного целого числа.

Значение по умолчанию: 0 (никакое несезонное интегрирование)

'Seasonality'

Сезонная степень полинома дифференцирования для ошибочной модели, заданной как пара, разделенная запятой, состоящая из 'Seasonality' и неотрицательного целого числа.

Значение по умолчанию: 0 (никакое сезонное интегрирование)

'Variance'

Отклонение образцовых инноваций εt, заданный как пара, разделенная запятой, состоящая из 'Variance' и положительной скалярной величины.

Значение по умолчанию: NaN

'Distribution'

Распределение условной вероятности инновационного процесса, заданного как пара, разделенная запятой, состоящая из 'Distribution' и имени распределения или массива структур, описывающего распределение.

РаспределениеИмя распределенияМассив структур
Гауссов'Gaussian'struct('Name','Gaussian')
t студента
't'
По умолчанию DoF является NaN.
struct('Name','t','DoF',DoF)
DoF> 2 или DoF = NaN

Значение по умолчанию: 'Gaussian'

'Description'

Представьте в виде строки скаляр или вектор символов, описывающий модель. По умолчанию этот аргумент описывает параметрическую форму модели, например, "ARIMA(1,1,1) Error Model (Gaussian Distribution)".

Примечания

  • 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.

Свойства

AR

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 ARLags.

Beta

Вектор действительных чисел коэффициентов регрессии, соответствующих столбцам матрицы данных предиктора.

D

Неотрицательное целое число, указывающее на несезонную степень интегрирования ошибочной модели.

Description

Представьте скаляр в виде строки для образцового описания.

Distribution

Структура данных для распределения условной вероятности инновационного процесса. Поле Name хранит имя распределения "Gaussian" или "t". Если распределением является "t", то структура также имеет поле DoF, чтобы сохранить степени свободы.

Intercept

Скалярное прерывание в ошибочной модели.

MA

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 MALags.

P

Скаляр, соедините авторегрессивную полиномиальную степень ошибочной модели.

P является общим количеством изолированных наблюдений, необходимых, чтобы инициализировать авторегрессивный компонент ошибочной модели. P включает эффекты несезонного и сезонного интегрирования, полученного свойствами D и Seasonality, соответственно, и несезонных и сезонных авторегрессивных полиномов AR и SAR, соответственно.

P не обязательно приспосабливает стандарту обозначение [1] Дженкинса и Бокс. Если D = 0, Seasonality = 0 и SAR = {}, то P соответствует стандартному обозначению.

Q

Скаляр, составная степень полинома скользящего среднего значения ошибочной модели.

Q является общим количеством изолированных инноваций, необходимых, чтобы инициализировать компонент скользящего среднего значения модели. Q включает эффекты несезонных и сезонных полиномов скользящего среднего значения MA и SMA, соответственно.

Q не обязательно приспосабливает стандарту обозначение [1] Дженкинса и Бокс. Если SMA = {}, то Q соответствует стандартному обозначению.

SAR

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 SARLags.

SMA

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 SMALags.

Seasonality

Неотрицательное целое число, указывающее на сезонную степень полинома дифференцирования для ошибочной модели.

Variance

Отклонение положительной скалярной величины образцовых инноваций.

Методы

arimaПреобразуйте модель регрессии с ошибками ARIMA к модели ARIMAX
оценкаОцените параметры моделей регрессии с ошибками ARIMA
фильтрПропустите воздействия через модель регрессии с ошибками ARIMA
прогнозПредскажите ответы модели регрессии с ошибками ARIMA
импульсИмпульсный ответ модели регрессии с ошибками ARIMA
вывестиВыведите инновации моделей регрессии с ошибками ARIMA
печать(Чтобы быть удаленным), оценка Отображения заканчивается для моделей регрессии с ошибками ARIMA
моделироватьСимуляция Монте-Карло модели регрессии с ошибками ARIMA
подвести итогОтобразите результаты оценки модели регрессии с ошибками ARIMA

Копировать семантику

Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).

Примеры

свернуть все

Задайте следующую модель регрессии с ARIMA (2,1,3) ошибки:

yt=ut(1-ϕ1L-ϕ2L2)(1-L)ut=(1+θ1L+θ2L2+θ3L3)εt.

Mdl = regARIMA(2,1,3)
Mdl = 
  regARIMA with properties:

     Description: "ARIMA(2,1,3) Error Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
       Intercept: NaN
            Beta: [1×0]
               P: 3
               D: 1
               Q: 3
              AR: {NaN NaN} at lags [1 2]
             SAR: {}
              MA: {NaN NaN NaN} at lags [1 2 3]
             SMA: {}
        Variance: NaN

Вывод отображает значения свойств P, D и Q Mdl. Соответствующие коэффициенты авторегрессивного и скользящего среднего значения (содержавшийся в AR и MA) являются массивами ячеек, содержащими правильное количество значений NaN. Обратите внимание на то, что P = p + D = 3, указывая, что вам нужны три преддемонстрационных наблюдения, чтобы инициализировать модель для оценки.

Задайте модель регрессии с ошибками ARIMA:

yt=2+Xt[1.50.2]+ut(1-0.2L-0.3L2)ut=(1+0.1L)εt,

где εt является Гауссовым с отклонением 0.5.

Mdl = regARIMA('Intercept',2,'AR',{0.2 0.3},'MA',{0.1},...
    'Variance',0.5,'Beta',[1.5 0.2])
Mdl = 
  regARIMA with properties:

     Description: "Regression with ARMA(2,1) Error Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
       Intercept: 2
            Beta: [1.5 0.2]
               P: 2
               Q: 1
              AR: {0.2 0.3} at lags [1 2]
             SAR: {}
              MA: {0.1} at lag [1]
             SMA: {}
        Variance: 0.5

Mdl полностью задан к, например, моделируйте ряд ответов, учитывая матрицу данных предиктора, Xt.

Измените модель, чтобы оценить коэффициент регрессии, условия AR и отклонение инноваций.

Mdl.Beta = [NaN NaN];
Mdl.AR   = {NaN NaN};
Mdl.Variance = NaN;

Измените инновационное распределение на a t распределение с 15 степенями свободы.

Mdl.Distribution = struct('Name','t','DoF',15)
Mdl = 
  regARIMA with properties:

     Description: "Regression with ARMA(2,1) Error Model (t Distribution)"
    Distribution: Name = "t", DoF = 15
       Intercept: 2
            Beta: [NaN NaN]
               P: 2
               Q: 1
              AR: {NaN NaN} at lags [1 2]
             SAR: {}
              MA: {0.1} at lag [1]
             SMA: {}
        Variance: NaN

Задайте следующую модель:

yt=1+6Xt+ut(1-0.2L)(1-L)(1-0.5L4-0.2L8)(1-L4)ut=(1+0.1L)(1+0.05L4+0.01L8)εt,

где εt является Гауссовым с отклонением 1.

Mdl = regARIMA('Intercept',1,'Beta',6,'AR',0.2,...
    'MA',0.1,'SAR',{0.5,0.2},'SARLags',[4, 8],...
    'SMA',{0.05,0.01},'SMALags',[4 8],'D',1,...
    'Seasonality',4,'Variance',1)
Mdl = 
  regARIMA with properties:

     Description: "Regression with ARIMA(1,1,1) Error Model Seasonally Integrated with Seasonal AR(8) and MA(8) (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
       Intercept: 1
            Beta: [6]
               P: 14
               D: 1
               Q: 9
              AR: {0.2} at lag [1]
             SAR: {0.5 0.2} at lags [4 8]
              MA: {0.1} at lag [1]
             SMA: {0.05 0.01} at lags [4 8]
     Seasonality: 4
        Variance: 1

Если вы не задаете SARLags или SMALags, то коэффициенты в SAR и SMA соответствуют задержкам 1 и 2 по умолчанию.

Mdl = regARIMA('Intercept',1,'Beta',6,'AR',0.2,...
    'MA',0.1,'SAR',{0.5,0.2},'SMA',{0.05,0.01},...
    'D',1,'Seasonality',4,'Variance',1)
Mdl = 
  regARIMA with properties:

     Description: "Regression with ARIMA(1,1,1) Error Model Seasonally Integrated with Seasonal AR(2) and MA(2) (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
       Intercept: 1
            Beta: [6]
               P: 8
               D: 1
               Q: 3
              AR: {0.2} at lag [1]
             SAR: {0.5 0.2} at lags [1 2]
              MA: {0.1} at lag [1]
             SMA: {0.05 0.01} at lags [1 2]
     Seasonality: 4
        Variance: 1

Больше о

развернуть все

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.

Для просмотра документации необходимо авторизоваться на сайте