parcorr

Демонстрационная частичная автокорреляция

Синтаксис

parcorr(y)

parcorr(y,Name,Value)

pacf = parcorr(___)

[pacf,lags,bounds]
= parcorr(___)

parcorr(ax,___)

[pacf,lags,bounds,h]
= parcorr(___)

Описание

пример

parcorr(y) строит демонстрационную частичную автокорреляционную функцию (PACF) одномерных, стохастических временных рядов y с доверительными границами.

пример

parcorr(y,Name,Value) дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, parcorr(y,'NumLags',10,'NumSTD',2) строит демонстрационный PACF y для 10 задержки и доверительные границы отображений, состоящие из 2 стандартные погрешности.

пример

pacf = parcorr(___) возвращает демонстрационный PACF y использование любого из входных параметров в предыдущих синтаксисах.

пример

[pacf,lags,bounds] = parcorr(___) дополнительно возвращает числа задержки, что MATLAB^® используется для расчета PACF, и также возвращает аппроксимированные верхние и более низкие доверительные границы.

parcorr(ax,___) графики на осях заданы ax вместо текущей системы координат (gca). ax может предшествовать любой из комбинаций входных аргументов в предыдущих синтаксисах.

[pacf,lags,bounds,h] = parcorr(___) строит демонстрационный PACF y и дополнительно возвращает указатели на нанесенные на график графические объекты. Используйте элементы h изменить свойства графика после того, как вы создаете его.

Примеры

свернуть все

Постройте частичную автокорреляционную функцию временных рядов

Скрипт Open Live Script

Задайте модель AR (2):

$y_{t} = 0.6 y_{t - 1} - 0.5 y_{t - 2} + ε_{t},$

где $ε_{t}$ является Гауссовым со средним значением 0 и отклонением 1.

rng(1); % For reproducibility
Mdl = arima('AR',{0.6 -0.5},'Constant',0,'Variance',1)

Mdl = 
  arima with properties:

     Description: "ARIMA(2,0,0) Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 2
               D: 0
               Q: 0
        Constant: 0
              AR: {0.6 -0.5} at lags [1 2]
             SAR: {}
              MA: {}
             SMA: {}
     Seasonality: 0
            Beta: [1×0]
        Variance: 1

Симулируйте 1 000 наблюдений от Mdl.

y = simulate(Mdl,1000);

Вычислите PACF.

[partialACF,lags,bounds] = parcorr(y,'NumAR',2);
bounds

bounds = 2×1

    0.0632
   -0.0632

bounds отображения (-0.0633, 0.0633), которые являются верхними и более низкими доверительными границами.

Постройте PACF.

parcorr(y)

PACF убегает после второй задержки. Это поведение указывает на AR (2) процесс.

Задайте больше задержек для графика PACF

Скрипт Open Live Script

Задайте мультипликативный сезонный ARMA $(2, 0, 1) \times (3, 0, 0)_{12}$ модель:

$(1 - 0.75 L - 0.15 L^{2}) (1 - 0.9 L^{12} + 0.75 L^{24} - 0.5 L^{36}) y_{t} = 2 + ε_{t} - 0.5 ε_{t - 1},$

где $ε_{t}$ является Гауссовым со средним значением 0 и отклонением 1.

Mdl = arima('AR',{0.75,0.15},'SAR',{0.9,-0.75,0.5},...
    'SARLags',[12,24,36],'MA',-0.5,'Constant',2,...
    'Variance',1);

Симулируйте данные из Mdl.

rng(1);
y = simulate(Mdl,1000);

Постройте частичную автокорреляционную функцию по умолчанию (PACF).

figure
parcorr(y)

Коррелограмма по умолчанию не отображает структуру зависимости для более высоких задержек.

Постройте PACF для 40 задержек.

figure
parcorr(y,'NumLags',40)

Коррелограмма показывает большие корреляции в задержках 12, 24, и 36.

Входные параметры

свернуть все

`y` — Наблюдаемые одномерные временные ряды
вектор

Наблюдаемые одномерные временные ряды, для которых программное обеспечение вычисляет или строит PACF в виде вектора. Последний элемент y содержит последнее наблюдение.

Задайте недостающие наблюдения с помощью NaN. parcorr функционируйте обрабатывает отсутствующие значения как отсутствующий полностью наугад.

Типы данных: double

`ax` — Оси, на которых можно построить
`Axes` объект

Оси, на которых можно построить в виде Axes объект.

По умолчанию, parcorr графики к текущей системе координат (gca).

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и 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.

Пример: parcorr(y,'NumLags',10,'NumSTD',2) строит демонстрационный PACF y для 10 задержки и доверительные границы отображений, состоящие из 2 стандартные погрешности.

`'NumLags'` — Количество задержек
положительное целое число

Количество задержек в демонстрационном PACF в виде разделенной запятой пары, состоящей из 'NumLags' и положительное целое число. parcorr использование изолирует 0:NumLags оценить PACF.

Значением по умолчанию является min ([20, T – 1]), где T эффективный объем выборки y.

Пример: parcorr(y,'Numlags',10) строит демонстрационный PACF y для задержек 0 через 10.

Типы данных: double

`'NumAR'` — Количество задержек в теоретической модели AR `y`
0 (значений по умолчанию) | неотрицательное целое число

Количество задержек в теоретической модели AR yВ виде разделенной запятой пары, состоящей из 'NumAR' и неотрицательное целое число меньше, чем NumLags.

parcorr использование NumAR оценить доверительные границы. Для задержек> NumAR, parcorr принимает тот y Гауссов бело-шумовой процесс длины n. Следовательно, стандартная погрешность приблизительно $1 / \sqrt{T},$ где T является эффективным объемом выборки y.

Пример: parcorr(y,'NumAR',10) задает тот y AR (10) процесс и доверительные границы графиков для всех задержек, больше, чем 10.

Типы данных: double

`'NumSTD'` — Количество стандартных погрешностей по секрету ограничивает
2 (значения по умолчанию) | неотрицательный скаляр

Количество стандартных погрешностей в доверительных границах в виде разделенной запятой пары, состоящей из 'NumSTD' и неотрицательный скаляр. Для всех задержек> NumAR, доверительные границы 0 ± NumSTD* $\hat{σ}$ , где $\hat{σ}$ предполагаемая стандартная погрешность демонстрационной частичной автокорреляции.

Урожаи по умолчанию аппроксимируют 95% доверительных границ.

Пример: parcorr(y,'NumSTD',1.5) строит PACF y с доверительными границами 1.5 стандартные погрешности далеко от 0.

Типы данных: double

`'Method'` — Метод оценки PACF
`'ols'` | `'yule-walker'`

Метод оценки PACF в виде разделенной запятой пары, состоящей из 'Method' и значение в этой таблице.

Значение	Описание	Ограничения
`'ols'`	Обычные наименьшие квадраты (OLS)	`y` должен быть полностью наблюдаемый ряд (то есть, он не содержит `NaN` значения
`'yule-walker'`	Уравнения Уокера Рождества	'none'

Если y полностью наблюдаемый ряд, затем значением по умолчанию является 'ols'. В противном случае значением по умолчанию является 'yule-walker'.

Пример: parcorr(y,'Method','yule-walker') оценивает PACF y использование уравнений Уокера Рождества и затем строит PACF.

Типы данных: char | string

Выходные аргументы

свернуть все

`pacf` — Демонстрационный PACF
числовой вектор

Демонстрационный PACF одномерных временных рядов y, возвращенный как числовой вектор длины NumLags+ 1 .

Элементы pacf соответствуйте задержкам 0,1,2..., NumLags (то есть, элементы lags). Навсегда серия y, задержка 0 частичных автокорреляций pacf(1)= 1 .

`lags` — Изолируйте числа, используемые в оценке PACF
числовой вектор

Изолируйте числа, используемые в оценке PACF, возвращенной как числовой вектор длины NumLags+ 1 .

`bounds` — Аппроксимируйте верхние и более низкие доверительные границы
числовой вектор

Аппроксимируйте верхние и более низкие частичные доверительные границы автокорреляции, принимающие y AR (NumAR) процесс, возвращенный как двухэлементный числовой вектор.

`h` — Указатели на нанесенные на график графические объекты
графический массив

Указатели на нанесенные на график графические объекты, возвращенные как графический массив. h содержит уникальные идентификаторы графика, которые можно использовать, чтобы запросить или изменить свойства графика.

Больше о

свернуть все

Частичная автокорреляционная функция

partial autocorrelation function измеряет корреляцию между _yt и y _{t + k} после корректировки для линейных эффектов y _{t + 1}..., y _{t + k – 1}.

Оценка PACF включает решение уравнений Уокера Рождества относительно автокорреляций. Однако, если временные ряды полностью наблюдаются, то PACF может быть оценен, подбирая последовательные авторегрессивные модели порядков 1, 2... используя обычные наименьшие квадраты. Для получения дополнительной информации см. [1], Глава 3.

Пропавшие без вести полностью наугад

Наблюдениями за случайной переменной является missing completely at random, если тенденция наблюдения отсутствовать независима и от случайной переменной и от тенденции всех других наблюдений отсутствовать.

Советы

Чтобы построить PACF без доверительных границ, установите 'NumSTD',0.

Алгоритмы

parcorr строит PACF, когда вы не запрашиваете выхода или когда вы запрашиваете четвертый выход.

Ссылки

[1] Поле, G. E. P. Г. М. Дженкинс и Г. К. Рейнсель. Анализ Временных Рядов: Прогнозирование и Управление. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1994.

[2] Гамильтон, J. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.

Смотрите также

arima | crosscorr | filter

Документация

parcorr

Синтаксис

Описание

Примеры

Постройте частичную автокорреляционную функцию временных рядов

Задайте больше задержек для графика PACF

Входные параметры

`y` — Наблюдаемые одномерные временные ряды
вектор

`ax` — Оси, на которых можно построить
`Axes` объект

Аргументы в виде пар имя-значение

`'NumLags'` — Количество задержек
положительное целое число

`'NumAR'` — Количество задержек в теоретической модели AR `y`
0 (значений по умолчанию) | неотрицательное целое число

`'NumSTD'` — Количество стандартных погрешностей по секрету ограничивает
2 (значения по умолчанию) | неотрицательный скаляр

`'Method'` — Метод оценки PACF
`'ols'` | `'yule-walker'`

Выходные аргументы

`pacf` — Демонстрационный PACF
числовой вектор

`lags` — Изолируйте числа, используемые в оценке PACF
числовой вектор

`bounds` — Аппроксимируйте верхние и более низкие доверительные границы
числовой вектор

`h` — Указатели на нанесенные на график графические объекты
графический массив

Больше о

Частичная автокорреляционная функция

Пропавшие без вести полностью наугад

Советы

Алгоритмы

Ссылки

Смотрите также

Темы

Представлено до R2006a

Документация Econometrics Toolbox

Поддержка

Документация

parcorr

Синтаксис

Описание

Примеры

Постройте частичную автокорреляционную функцию временных рядов

Задайте больше задержек для графика PACF

Входные параметры

y — Наблюдаемые одномерные временные ряды вектор

ax — Оси, на которых можно построить Axes объект

Аргументы в виде пар имя-значение

'NumLags' — Количество задержек положительное целое число

'NumAR' — Количество задержек в теоретической модели AR y 0 (значений по умолчанию) | неотрицательное целое число

'NumSTD' — Количество стандартных погрешностей по секрету ограничивает 2 (значения по умолчанию) | неотрицательный скаляр

'Method' — Метод оценки PACF 'ols' | 'yule-walker'

Выходные аргументы

pacf — Демонстрационный PACF числовой вектор

lags — Изолируйте числа, используемые в оценке PACF числовой вектор

bounds — Аппроксимируйте верхние и более низкие доверительные границы числовой вектор

h — Указатели на нанесенные на график графические объекты графический массив

Больше о

Частичная автокорреляционная функция

Пропавшие без вести полностью наугад

Советы

Алгоритмы

Ссылки

Смотрите также

Темы

Представлено до R2006a

Документация Econometrics Toolbox

Поддержка

`y` — Наблюдаемые одномерные временные ряды
вектор

`ax` — Оси, на которых можно построить
`Axes` объект

`'NumLags'` — Количество задержек
положительное целое число

`'NumAR'` — Количество задержек в теоретической модели AR `y`
0 (значений по умолчанию) | неотрицательное целое число

`'NumSTD'` — Количество стандартных погрешностей по секрету ограничивает
2 (значения по умолчанию) | неотрицательный скаляр

`'Method'` — Метод оценки PACF
`'ols'` | `'yule-walker'`

`pacf` — Демонстрационный PACF
числовой вектор

`lags` — Изолируйте числа, используемые в оценке PACF
числовой вектор

`bounds` — Аппроксимируйте верхние и более низкие доверительные границы
числовой вектор

`h` — Указатели на нанесенные на график графические объекты
графический массив