Регресс валовой внутренний продукт (ВВП) США на индекс потребительских цен (CPI) США с помощью модели регрессии с ARMA (1,1) ошибки, и обобщает результаты.

Загрузите США Макроэкономический набор данных и предварительно обработайте данные.

load Data_USEconModel;
logGDP = log(DataTable.GDP);
dlogGDP = diff(logGDP);
dCPI = diff(DataTable.CPIAUCSL);

Подбирайте модель к данным.

ToEstMdl = regARIMA('ARLags',1,'MALags',1);
EstMdl = estimate(ToEstMdl,dlogGDP,'X',dCPI,'Display','off');

Отобразите оценки.

summarize(EstMdl)

 
   ARMA(1,1) Error Model (Gaussian Distribution)
 
    Effective Sample Size: 248
    Number of Estimated Parameters: 5
    LogLikelihood: 798.406
    AIC: -1586.81
    BIC: -1569.24
 
                   Value       StandardError    TStatistic      PValue  
                 __________    _____________    __________    __________

    Intercept      0.014776      0.0014627        10.102      5.4236e-24
    AR{1}           0.60527        0.08929        6.7787      1.2125e-11
    MA{1}          -0.16165        0.10956       -1.4755         0.14009
    Beta(1)        0.002044     0.00070616        2.8946       0.0037969
    Variance     9.3578e-05     6.0314e-06        15.515      2.7338e-54

 

Оцените несколько моделей путем передачи данных estimate. Варьируйтесь степени авторегрессивного и скользящего среднего значения p и q, соответственно. Результаты оценки содержат AIC, который можно извлечь и затем сравнить среди моделей.

Симулируйте ответ и данные о предикторе для модели регрессии с ошибками ARMA:

где $${\epsilon }_t$$ является Гауссовым со средним значением 0 и отклонением 1.

Mdl = regARIMA('Intercept',2,'Beta',[-2; 1.5],...
    'AR',{0.75, -0.5},'MA',0.7,'Variance',1);

rng(2);            % For reproducibility
X = randn(1000,2); % Predictors
y = simulate(Mdl,1000,'X',X);

Чтобы определить количество AR и задержек MA, создайте и оцените модели множественной регрессии с ARMA (p, q) ошибки. Варьируйтесь p = 1.., 3 и q = 1..., 3 среди моделей. Подавите все отображения оценки. Извлеките AIC из структуры результатов оценки. Поле AIC хранит AIC.

pMax = 3;
qMax = 3;
AIC = zeros(pMax,qMax); % Preallocation

for p = 1:pMax
    for q = 1:qMax
        ToEstMdl = regARIMA(p,0,q);
        EstMdl = estimate(ToEstMdl,y,'X',X,'Display','off');
        results = summarize(EstMdl);
        AIC(p,q) = results.AIC;
    end
end

Сравните значения AIC среди моделей.

minAIC = min(min(AIC))

minAIC = 2.9280e+03

[bestP,bestQ] = find(AIC == minAIC)

bestP = 2

bestQ = 1

Модель оптимальной подгонки является моделью регрессии с AR (2,1) ошибки, потому что его соответствующий AIC является самым низким. Эта модель также имеет структуру модели, используемой, чтобы симулировать данные.