Документация

Модель регрессии по умолчанию с ошибками MA

В этом примере показано, как применить краткий regARIMA(p,D,q) синтаксис, чтобы задать модель регрессии с ошибками MA.

Задайте модель регрессии по умолчанию с MA (2) ошибки:

Mdl = regARIMA(0,0,2)

Mdl = 
  regARIMA with properties:

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

Программное обеспечение устанавливает каждый параметр на NaN, и инновационное распределение к Gaussian. Коэффициенты MA в задержках 1 и 2.

Передайте Mdl в estimate с данными, чтобы оценить набор параметров к NaN. Хотя Beta не находится в отображении, если вы передаете матрицу предикторов ($$X_t$$) в estimate, затем estimate оценки Beta. estimate функция выводит количество коэффициентов регрессии в Beta от количества столбцов в $$X_t$$.

Задачи, такие как симуляция и предсказывающий использование simulate и forecast не принимайте модели по крайней мере с одним NaN для значения параметров. Используйте запись через точку, чтобы изменить значения параметров.

Ошибочная модель MA без прерывания

В этом примере показано, как задать модель регрессии с ошибками MA без прерывания регрессии.

Задайте модель регрессии по умолчанию с MA (2) ошибки:

Mdl = regARIMA('MALags',1:2,'Intercept',0)

Mdl = 
  regARIMA with properties:

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

Программное обеспечение устанавливает Intercept к 0, но все другие параметры в Mdl NaN значения по умолчанию.

Начиная с Intercept не NaN, это - ограничение равенства во время оценки. Другими словами, если вы передаете Mdl и данные в estimate, затем estimate наборы Intercept к 0 во время оценки.

Можно изменить свойства Mdl использование записи через точку.

Ошибочная модель MA с непоследовательными задержками

В этом примере показано, как задать модель регрессии с ошибками MA, где ненулевые условия MA в непоследовательных задержках.

Задайте модель регрессии с MA (12) ошибки:

Mdl = regARIMA('MALags',[1, 12])

Mdl = 
  regARIMA with properties:

     Description: "ARMA(0,12) Error Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
       Intercept: NaN
            Beta: [1×0]
               P: 0
               Q: 12
              AR: {}
             SAR: {}
              MA: {NaN NaN} at lags [1 12]
             SMA: {}
        Variance: NaN

Коэффициенты MA в задержках 1 и 12.

Проверьте, что коэффициенты MA в задержках 2 - 11 0.

Mdl.MA'

ans=12×1 cell
    {[NaN]}
    {[  0]}
    {[  0]}
    {[  0]}
    {[  0]}
    {[  0]}
    {[  0]}
    {[  0]}
    {[  0]}
    {[  0]}
    {[  0]}
    {[NaN]}

После применения транспонирования программное обеспечение отображает 12 1 массив ячеек. Каждая последовательная ячейка содержит соответствующее содействующее значение MA.

Передайте Mdl и данные в estimate. Программное обеспечение оценивает все параметры, которые имеют значение NaN. Затем estimate содержит $$b_2$$ = $$b_3$$ =...= $$b_{\mathrm{}11}$$ = 0 во время оценки.

Известные значения параметров для модели регрессии с ошибками MA

В этом примере показано, как задать значения для всех параметров модели регрессии с ошибками MA.

Задайте модель регрессии с MA (2) ошибки:

где $${\epsilon }_t$$ является Гауссовым с модульным отклонением.

Mdl = regARIMA('Intercept',0,'Beta',[0.5; -3; 1.2],...
    'MA',{0.5, -0.1},'Variance',1)

Mdl = 
  regARIMA with properties:

     Description: "Regression with ARMA(0,2) Error Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
       Intercept: 0
            Beta: [0.5 -3 1.2]
               P: 0
               Q: 2
              AR: {}
             SAR: {}
              MA: {0.5 -0.1} at lags [1 2]
             SMA: {}
        Variance: 1

Параметры в Mdl не содержите NaN значения, и поэтому нет никакой потребности оценить Mdl использование estimate. Однако можно симулировать или предсказать ответы от Mdl использование simulate или forecast.

Модель регрессии с Ошибками MA и t Инновациями

В этом примере показано, как установить инновационное распределение модели регрессии с ошибками MA к t распределению.

Задайте модель регрессии с MA (2) ошибки:

где $${\epsilon }_t$$ имеет t распределение со степенями свободы по умолчанию и модульным отклонением.

Mdl = regARIMA('Intercept',0,'Beta',[0.5; -3; 1.2],...
    'MA',{0.5, -0.1},'Variance',1,'Distribution','t')

Mdl = 
  regARIMA with properties:

     Description: "Regression with ARMA(0,2) Error Model (t Distribution)"
    Distribution: Name = "t", DoF = NaN
       Intercept: 0
            Beta: [0.5 -3 1.2]
               P: 0
               Q: 2
              AR: {}
             SAR: {}
              MA: {0.5 -0.1} at lags [1 2]
             SMA: {}
        Variance: 1

Степенями свободы по умолчанию является NaN. Если вы не знаете степеней свободы, то можно оценить его путем передачи Mdl и данные к estimate.

Задайте a $$t_{\mathrm{}15}$$ распределение.

Mdl.Distribution = struct('Name','t','DoF',15)

Mdl = 
  regARIMA with properties:

     Description: "Regression with ARMA(0,2) Error Model (t Distribution)"
    Distribution: Name = "t", DoF = 15
       Intercept: 0
            Beta: [0.5 -3 1.2]
               P: 0
               Q: 2
              AR: {}
             SAR: {}
              MA: {0.5 -0.1} at lags [1 2]
             SMA: {}
        Variance: 1

Можно симулировать и предсказать ответы от путем передачи Mdl к simulate или forecast потому что Mdl полностью задан.

В приложениях, таких как симуляция, программное обеспечение нормирует случайные t инновации. Другими словами, Variance заменяет теоретическое отклонение t случайной переменной (который является DoF/ (DoF - 2)), но консервы эксцесс распределения.