Подбирайте авторегрессивную интегрированную модель (ARIMA) скользящего среднего значения к данным
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, EstMdl
= estimate(Mdl
,y
,Name,Value
)'X',X
включает компонент линейной регрессии в модель для внешних данных в X
.
[
также возвращает ковариационную матрицу отклонения, сопоставленную предполагаемыми параметрами EstMdl
,EstParamCov
,logL
,info
] = estimate(___)EstParamCov
, оптимизированное значение целевой функции логарифмической правдоподобности logL
, и итоговая информация info
, использование любой из комбинаций входных аргументов в предыдущих синтаксисах.
Подбирайте модель ARMA(2,1) к симулированным данным.
Симулируйте данные из известной модели
Предположим, что генерирующийся процесс данных (DGP)
где серия iid Гауссовых случайных переменных со средним значением 0 и отклонением 0.1.
Создайте модель ARMA(2,1), представляющую DGP.
DGP = arima('AR',{0.5,-0.3},'MA',0.2,... 'Constant',0,'Variance',0.1)
DGP = arima with properties: Description: "ARIMA(2,0,1) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: 0 AR: {0.5 -0.3} at lags [1 2] SAR: {} MA: {0.2} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.1
DGP
полностью заданный arima
объект модели.
Симулируйте случайные 500 путей к наблюдению из модели ARMA(2,1).
rng(5); % For reproducibility
T = 500;
y = simulate(DGP,T);
y 500 1 вектор-столбец, представляющий путь к симулированному отклику из модели ARMA(2,1) DGP
.
Оценочная модель
Создайте шаблон модели ARMA(2,1) для оценки.
Mdl = arima(2,0,1)
Mdl = arima with properties: Description: "ARIMA(2,0,1) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: NaN AR: {NaN NaN} at lags [1 2] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Mdl
частично заданный arima
объект модели. Только требуемые, недопускающие оценку параметры, которые определяют структуру модели, заданы. NaN
- свойства, передаваемые по значению, включая , , , , и , должны быть оценены неизвестные параметры модели.
Подбирайте модель ARMA(2,1) к y
.
EstMdl = estimate(Mdl,y)
ARIMA(2,0,1) Model (Gaussian Distribution): Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant 0.0089018 0.018417 0.48334 0.62886 AR{1} 0.49563 0.10323 4.8013 1.5767e-06 AR{2} -0.25495 0.070155 -3.6341 0.00027897 MA{1} 0.27737 0.10732 2.5846 0.0097492 Variance 0.10004 0.0066577 15.027 4.9017e-51
EstMdl = arima with properties: Description: "ARIMA(2,0,1) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: 0.00890178 AR: {0.495632 -0.254951} at lags [1 2] SAR: {} MA: {0.27737} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.100043
MATLAB®
отображает таблицу, содержащую сводные данные оценки, которые включают оценки параметра и выводы. Например, Value
столбец содержит соответствующие оценки наибольшего правдоподобия и PValue
столбец содержит - значения для асимптотического - тест нулевой гипотезы, что соответствующий параметр 0.
EstMdl
полностью заданный, предполагаемый arima
объект модели; его оценки напоминают значения параметров DGP.
Подбирайте модель AR (2) к симулированным данным при содержании константы модели, зафиксированной во время оценки.
Симулируйте данные из известной модели
Предположим, что DGP
где серия iid Гауссовых случайных переменных со средним значением 0 и отклонением 0.1.
Создайте модель AR (2), представляющую DGP.
DGP = arima('AR',{0.5,-0.3},... 'Constant',0,'Variance',0.1);
Симулируйте случайные 500 путей к наблюдению из модели.
rng(5); % For reproducibility
T = 500;
y = simulate(DGP,T);
Создайте ограничение определения объекта модели
Примите что среднее значение 0, который подразумевает это 0.
Создайте модель AR (2) для оценки. Набор к 0.
Mdl = arima('ARLags',1:2,'Constant',0)
Mdl = arima with properties: Description: "ARIMA(2,0,0) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 2 D: 0 Q: 0 Constant: 0 AR: {NaN NaN} at lags [1 2] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Mdl
частично заданный arima
объект модели. Заданные параметры включают все обязательные параметры и константу модели. NaN
- свойства, передаваемые по значению, включая , , и , должны быть оценены неизвестные параметры модели.
Оценочная модель
Соответствуйте шаблону модели AR (2), содержащему ограничение к y
.
EstMdl = estimate(Mdl,y)
ARIMA(2,0,0) Model (Gaussian Distribution): Value StandardError TStatistic PValue ________ _____________ __________ __________ Constant 0 0 NaN NaN AR{1} 0.56342 0.044225 12.74 3.5474e-37 AR{2} -0.29355 0.041786 -7.0252 2.137e-12 Variance 0.10022 0.006644 15.085 2.0476e-51
EstMdl = arima with properties: Description: "ARIMA(2,0,0) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 2 D: 0 Q: 0 Constant: 0 AR: {0.563425 -0.293554} at lags [1 2] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.100222
EstMdl
полностью заданный, предполагаемый arima
объект модели; его оценки напоминают значения параметров модели AR (2) DGP
. Значение по оценке итоговым и отображением объекта является 0
, и соответствующие выводы тривиальны или не применяются.
Поскольку модель ARIMA является функцией предыдущих значений, estimate
требует, чтобы преддемонстрационные данные инициализировали модель рано в период выборки. Несмотря на то, что, estimate
обратные броски для преддемонстрационных данных по умолчанию, можно задать требуемые преддемонстрационные данные вместо этого. P
свойство arima
объект модели задает необходимое количество преддемонстрационных наблюдений.
Загрузка данных
Загрузите набор данных фондового индекса США Data_EquityIdx
.
load Data_EquityIdx
Таблица DataTable
включает переменную NYSE
временных рядов, который содержит ежедневные цены закрытия составного объекта NYSE с января 1990 до декабря 1995.
Преобразуйте таблицу в расписание.
dt = datetime(dates,'ConvertFrom','datenum','Format','yyyy-MM-dd'); TT = table2timetable(DataTable,'RowTimes',dt); T = size(TT,1); % Total sample size
Создайте шаблон модели
Предположим, что модель ARIMA (1,1,1) соответствует ряду составного объекта модели NYSE в течение периода расчета.
Создайте шаблон модели ARIMA (1,1,1) для оценки.
Mdl = arima(1,1,1)
Mdl = arima with properties: Description: "ARIMA(1,1,1) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 2 D: 1 Q: 1 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Mdl
частично заданный arima
объект модели.
Выборка раздела
Создайте векторы из индексов, которые делят выборку в периоды расчета предварительной выборки и оценки, так, чтобы предварительная выборка произошла сначала и содержала Mdl.P
= 2 наблюдения и выборка оценки содержат остающиеся наблюдения.
presample = 1:Mdl.P; estsample = (Mdl.P + 1):T;
Оценочная модель
Подбирайте модель ARIMA (1,1,1) к выборке оценки. Задайте преддемонстрационные ответы.
EstMdl = estimate(Mdl,TT{estsample,"NYSE"},'Y0',TT{presample,"NYSE"});
ARIMA(1,1,1) Model (Gaussian Distribution): Value StandardError TStatistic PValue ________ _____________ __________ _______ Constant 0.15775 0.097888 1.6115 0.10706 AR{1} -0.21985 0.15652 -1.4046 0.16015 MA{1} 0.28529 0.15393 1.8534 0.06382 Variance 17.17 0.20065 85.573 0
EstMdl
полностью заданный, предполагаемый arima
объект модели.
Подбирайте модель ARIMA (1,1,1) к дневному закрытию Сводного индекса NYSE. Задайте начальные значения параметров, полученные из анализа экспериментальной выборки.
Загрузка данных
Загрузите набор данных фондового индекса США Data_EquityIdx
.
load Data_EquityIdx
Таблица DataTable
включает переменную NYSE
временных рядов, который содержит ежедневные цены закрытия составного объекта NYSE с января 1990 до декабря 1995.
Преобразуйте таблицу в расписание.
dt = datetime(dates,'ConvertFrom','datenum','Format','yyyy-MM-dd'); TT = table2timetable(DataTable,'RowTimes',dt);
Подбирайте модель, чтобы вести выборку
Предположим, что модель ARIMA (1,1,1) соответствует ряду составного объекта модели NYSE в течение периода расчета.
Создайте шаблон модели ARIMA (1,1,1) для оценки.
Mdl = arima(1,1,1);
Mdl
частично заданный arima
объект модели.
Обработайте первые два года как экспериментальную выборку для получения начальных значений параметров, подбирая модель к остающимся трем годам данных. Подбирайте модель к экспериментальной выборке.
endPilot = datetime(1991,12,31); pilottr = timerange(TT.Time(1),endPilot,'days'); EstMdl0 = estimate(Mdl,TT{pilottr,"NYSE"},'Display','off');
EstMdl0
полностью заданный, предполагаемый arima
объект модели.
Оценочная модель
Подбирайте модель ARIMA (1,1,1) к выборке оценки. Задайте предполагаемые параметры от экспериментальной демонстрационной подгонки как начальные значения для оптимизации.
esttr = timerange(endPilot + days(1),TT.Time(end),'days'); c0 = EstMdl0.Constant; ar0 = EstMdl0.AR; ma0 = EstMdl0.MA; var0 = EstMdl0.Variance; EstMdl = estimate(Mdl,TT{esttr,"NYSE"},'Constant0',c0,'AR0',ar0,... 'MA0',ma0,'Variance0',var0);
ARIMA(1,1,1) Model (Gaussian Distribution): Value StandardError TStatistic PValue _______ _____________ __________ _______ Constant 0.17424 0.11648 1.4959 0.13468 AR{1} -0.2262 0.18587 -1.217 0.22362 MA{1} 0.29047 0.18276 1.5893 0.11199 Variance 20.053 0.27603 72.65 0
EstMdl
полностью заданный, предполагаемый arima
объект модели.
Подбирайте модель ARIMAX к симулированным данным временных рядов.
Симулируйте данные о предикторе и ответе
Создайте модель ARIMAX(2,1,0) для DGP, представленного в уравнении
где серия iid Гауссовых случайных переменных со средним значением 0 и отклонением 0.1.
DGP = arima('AR',{0.5,-0.3},'D',1,'Constant',2,... 'Variance',0.1,'Beta',[1.5 2.6 -0.3]);
Примите что внешние переменные , , и представлены AR (1) процессы
где следует за Распределением Гаусса со средним значением 0 и отклонением 0.01 для . Создайте модели ARIMA, которые представляют внешние переменные.
MdlX1 = arima('AR',0.1,'Constant',0,'Variance',0.01); MdlX2 = arima('AR',0.2,'Constant',0,'Variance',0.01); MdlX3 = arima('AR',0.3,'Constant',0,'Variance',0.01);
Симулируйте длину 1 000 внешних рядов из моделей AR. Храните симулированные данные в матрице.
T = 1000;
rng(10); % For reproducibility
x1 = simulate(MdlX1,T);
x2 = simulate(MdlX2,T);
x3 = simulate(MdlX3,T);
X = [x1 x2 x3];
X
1000 3 матрица симулированных данных временных рядов. Каждая строка соответствует наблюдению во временных рядах, и каждый столбец соответствует внешней переменной.
Симулируйте длину 1 000 рядов от DGP. Задайте симулированные внешние данные.
y = simulate(DGP,T,'X',X);
y
1000 1 вектор из данных об ответе.
Оценочная модель
Создайте шаблон модели ARIMA (2,1,0) для оценки.
Mdl = arima(2,1,0)
Mdl = arima with properties: Description: "ARIMA(2,1,0) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 3 D: 1 Q: 0 Constant: NaN AR: {NaN NaN} at lags [1 2] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Описание модели (Description
свойство) и значение Beta
предположите что частично заданный arima
объект модели Mdl
агностик внешних предикторов.
Оцените модель ARIMAX(2,1,0); задайте внешние данные о предикторе. Поскольку estimate
обратные броски для преддемонстрационных ответов (процесс, который требует преддемонстрационных данных о предикторе для моделей ARIMAX), подбирайте модель к последнему T – Mdl.P
ответы. (В качестве альтернативы можно задать преддемонстрационные ответы при помощи 'Y0'
аргумент пары "имя-значение".)
EstMdl = estimate(Mdl,y((Mdl.P + 1):T),'X',X);
ARIMAX(2,1,0) Model (Gaussian Distribution): Value StandardError TStatistic PValue ________ _____________ __________ ___________ Constant 1.7519 0.021143 82.859 0 AR{1} 0.56076 0.016511 33.963 7.9497e-253 AR{2} -0.26625 0.015966 -16.676 1.9636e-62 Beta(1) 1.4764 0.10157 14.536 7.1228e-48 Beta(2) 2.5638 0.10445 24.547 4.6633e-133 Beta(3) -0.34422 0.098623 -3.4903 0.00048249 Variance 0.10673 0.0047273 22.577 7.3161e-113
EstMdl
полностью заданный, предполагаемый arima
объект модели.
Когда вы оцениваете модель при помощи estimate
и снабдите внешними данными путем определения 'X'
аргумент пары "имя-значение", MATLAB® распознает модель моделью ARIMAX(2,1,0) и включает компонент линейной регрессии для внешних переменных.
Предполагаемая модель
который напоминает DGP, представленный Mdl0
. Поскольку MATLAB возвращает коэффициенты AR модели, описанной в обозначении разностного уравнения, их знаки противоположны в уравнении.
Загрузите набор данных фондового индекса США Data_EquityIdx
.
load Data_EquityIdx
Таблица DataTable
включает переменную NYSE
временных рядов, который содержит ежедневные цены закрытия составного объекта NYSE с января 1990 до декабря 1995.
Преобразуйте таблицу в расписание.
dt = datetime(dates,'ConvertFrom','datenum','Format','yyyy-MM-dd'); TT = table2timetable(DataTable,'RowTimes',dt);
Предположим, что модель ARIMA (1,1,1) соответствует ряду составного объекта модели NYSE в течение периода расчета
Подбирайте модель ARIMA (1,1,1) к данным и возвратите предполагаемую ковариационную матрицу параметра.
Mdl = arima(1,1,1);
[EstMdl,EstParamCov] = estimate(Mdl,TT{:,"NYSE"});
ARIMA(1,1,1) Model (Gaussian Distribution): Value StandardError TStatistic PValue ________ _____________ __________ ________ Constant 0.15746 0.097832 1.6095 0.10751 AR{1} -0.21997 0.15642 -1.4063 0.15964 MA{1} 0.28541 0.15382 1.8555 0.063527 Variance 17.159 0.20038 85.632 0
EstParamCov
EstParamCov = 4×4
0.0096 -0.0002 0.0002 0.0023
-0.0002 0.0245 -0.0240 -0.0060
0.0002 -0.0240 0.0237 0.0057
0.0023 -0.0060 0.0057 0.0402
EstMdl
полностью заданный, предполагаемый arima
объект модели. Строки и столбцы EstParamCov
соответствуйте строкам в таблице оценок и выводов; например, .
Вычислите оцененные стандартные погрешности параметра путем пущения квадратного корня из диагональных элементов ковариационной матрицы.
estParamSE = sqrt(diag(EstParamCov))
estParamSE = 4×1
0.0978
0.1564
0.1538
0.2004
Вычислите основанный на Вальде 95%-й доверительный интервал на .
T = size(TT,1); % Effective sample size
phihat = EstMdl.AR{1};
sephihat = estParamSE(2);
ciphi = phihat + tinv([0.025 0.975],T - 3)*sephihat
ciphi = 1×2
-0.5267 0.0867
Интервал содержит 0, который предлагает это незначительно.
Загрузите набор данных фондового индекса США Data_EquityIdx
.
load Data_EquityIdx
Таблица DataTable
включает переменную NYSE
временных рядов, который содержит ежедневные цены закрытия составного объекта NYSE с января 1990 до декабря 1995.
Преобразуйте таблицу в расписание.
dt = datetime(dates,'ConvertFrom','datenum','Format','yyyy-MM-dd'); TT = table2timetable(DataTable,'RowTimes',dt); T = size(TT,1);
Предположим, что модель ARIMA (1,1,1) соответствует ряду составного объекта модели NYSE в течение периода расчета.
Подбирайте модель ARIMA (1,1,1) к данным. Задайте необходимую предварительную выборку и выключите отображение оценки.
Mdl = arima(1,1,1); preidx = 1:Mdl.P; estidx = (Mdl.P + 1):T; EstMdl = estimate(Mdl,TT{estidx,"NYSE"},... 'Y0',TT{preidx,"NYSE"},'Display','off');
Выведите остаточные значения из предполагаемой модели задайте необходимую предварительную выборку.
resid = infer(EstMdl,TT{estidx,"NYSE"},... 'Y0',TT{preidx,"NYSE"});
resid
(T – Mdl.P
) Вектор-by-1 из остаточных значений.
Вычислите подходящие значения .
yhat = TT{estidx,"NYSE"} - resid;
Постройте наблюдения и подходящие значения на том же графике.
plot(TT.Time(estidx),TT{estidx,"NYSE"},'r',TT.Time(estidx),yhat,'b--','LineWidth',2)
Подходящие значения тесно отслеживают наблюдения.
Постройте остаточные значения по сравнению с подходящими значениями.
plot(yhat,resid,'.') ylabel('Residuals') xlabel('Fitted values')
Остаточное отклонение кажется больше для больших подходящих значений. Одно средство от этого поведения должно применять логарифмическое преобразование к данным.
Mdl
— Частично заданная модель ARIMAarima
объект моделиЧастично заданная модель ARIMA раньше указывала на ограниченные и допускающие оценку параметры модели в виде arima
объект модели возвращен arima
или estimate
. Свойства Mdl
опишите структуру модели и задайте параметры.
estimate
соответствует незаданный (NaN
- оцененный) параметры данным y
.
estimate
обработки задали параметры как ограничения равенства во время оценки.
y
— Один путь данных об ответеОдин путь данных об ответе, к который модель Mdl
является подходящим в виде числового вектор-столбца. Последнее наблюдение за y
последнее наблюдение.
Типы данных: double
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
.
'Y0',Y0,'X',X
использует векторный Y0
как преддемонстрационные ответы, требуемые для оценки, и, включает компонент линейной регрессии для внешних данных о предикторе в X
.'X'
— Внешние данные о предиктореВнешние данные о предикторе для компонента линейной регрессии в виде разделенной запятой пары, состоящей из 'X'
и матрица.
Столбцы X
отдельные, синхронизируемые временные ряды. Последняя строка содержит последние наблюдения.
Если вы не задаете преддемонстрационные данные об ответе с помощью 'Y0'
аргумент пары "имя-значение", количество строк X
должен быть, по крайней мере, numel(y) + Mdl.P
. В противном случае, количество строк X
должна быть, по крайней мере, длина y
.
Если количество строк X
превышает необходимый номер, estimate
использует последние наблюдения только.
estimate
синхронизирует X
и y
так, чтобы последние наблюдения (последние строки) произошли одновременно.
По умолчанию, estimate
не оценивает коэффициенты регрессии, независимо от их присутствия в Mdl
.
Типы данных: double
'Options'
— Опции оптимизацииoptimoptions
контроллер оптимизацииОпции оптимизации в виде разделенной запятой пары, состоящей из 'Options'
и optimoptions
контроллер оптимизации. Для получения дополнительной информации при изменении значений по умолчанию оптимизатора, смотрите optimoptions
или fmincon
в Optimization Toolbox™.
Например, чтобы изменить допуск ограничения в 1e-6
, установите Options = optimoptions(@fmincon,'ConstraintTolerance',1e-6,'Algorithm','sqp')
. Затем передача Options
в estimate
использование 'Options',Options
.
По умолчанию, estimate
использует те же опции по умолчанию в качестве fmincon
, кроме Algorithm
'sqp'
и ConstraintTolerance
1e-7
.
'Display'
— Параметр отображения Командного окна'params'
(значение по умолчанию) | 'diagnostics'
| 'full'
| 'iter'
| 'off'
| представьте вектор в виде строки | вектор ячейки из векторов символовПараметр отображения Командного окна в виде разделенной запятой пары, состоящей из 'Display'
и один или несколько значений в этой таблице.
Значение | Отображенная информация |
---|---|
'diagnostics' | Диагностика оптимизации |
'full' | Оценки параметра наибольшего правдоподобия, стандартные погрешности, статистика t, итеративная информация об оптимизации и диагностика оптимизации |
'iter' | Итеративная информация об оптимизации |
'off' | 'none' |
'params' | Оценки параметра наибольшего правдоподобия, стандартные погрешности и статистика t |
Пример: 'Display','off'
хорошо подходит для выполнения симуляции, которая оценивает много моделей.
Пример: 'Display',{'params','diagnostics'}
отображает все результаты оценки и диагностику оптимизации.
Типы данных: char |
cell
| string
'Y0'
— Преддемонстрационные данные об ответеПреддемонстрационные данные об ответе для инициализации модели в виде разделенной запятой пары, состоящей из 'Y0'
и числовой вектор-столбец.
Длина Y0
должен быть, по крайней мере, Mdl.P
. Если Y0
имеет дополнительные строки, estimate
использование только последний Mdl.P
преддемонстрационные ответы. Последняя строка содержит последние преддемонстрационные ответы.
По умолчанию, estimate
обратные прогнозы (обратные броски) для необходимого объема преддемонстрационных ответов.
Для получения дополнительной информации при разделении данных для оценки, смотрите Базовые Разделы Времени для Оценки Модели ARIMA.
Типы данных: double
'E0'
— Преддемонстрационные инновацииПреддемонстрационные инновации ε t для инициализации модели в виде разделенной запятой пары, состоящей из 'E0'
и числовой вектор-столбец.
Длина E0
должен быть, по крайней мере, Mdl.Q
. Если E0
имеет дополнительные строки, estimate
использование только последний Mdl.Q
преддемонстрационные инновации. Последняя строка содержит последние преддемонстрационные инновации.
Если Mdl.Variance
условный объект модели отклонения, такой как garch
модель, estimate
может потребовать больше, чем Mdl.Q
преддемонстрационные инновации.
По умолчанию, estimate
наборы все необходимые преддемонстрационные инновации к 0
, который является их средним значением.
Типы данных: double
'V0'
— Преддемонстрационные условные отклоненияПреддемонстрационные условные отклонения σ 2t для инициализации любой условной модели отклонения в виде разделенной запятой пары, состоящей из 'V0'
и числовой положительный вектор-столбец.
Длина V0
должно быть, по крайней мере, количество наблюдений, требуемых инициализировать условную модель отклонения (см. estimate
). Если V0
имеет дополнительные строки, estimate
использование только последние наблюдения. Последняя строка содержит последнее наблюдение.
Если отклонение является постоянным, estimate
игнорирует V0
.
По умолчанию, estimate
устанавливает необходимые преддемонстрационные условные отклонения на среднее значение выведенных инноваций в квадрате.
Типы данных: double
'Constant0'
— Первоначальная оценка константы моделиПервоначальная оценка постоянного c модели в виде разделенной запятой пары, состоящей из 'Constant0'
и числовой скаляр.
По умолчанию, estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'AR0'
— Первоначальные оценки несезонных коэффициентов полинома ARПервоначальные оценки несезонных коэффициентов полинома AR В виде разделенной запятой пары, состоящей из 'AR0'
и числовой вектор.
Длина AR0
должен равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в несезонном полиноме AR. Элементы AR0
соответствуйте элементам Mdl.AR
.
По умолчанию, estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'SAR0'
— Первоначальные оценки сезонных авторегрессивных полиномиальных коэффициентовПервоначальные оценки сезонных авторегрессивных полиномиальных коэффициентов В виде разделенной запятой пары, состоящей из 'SAR0'
и числовой вектор.
Длина SAR0
должен равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в сезонном авторегрессивном полиномиальном SARLags
. Элементы SAR0
соответствуйте элементам Mdl.SAR
.
По умолчанию, estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'MA0'
— Первоначальные оценки несезонных коэффициентов полинома скользящего среднего значенияПервоначальные оценки несезонных коэффициентов полинома скользящего среднего значения В виде разделенной запятой пары, состоящей из 'MA0'
и числовой вектор.
Длина MA0
должен равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в несезонном полиноме скользящего среднего значения MALags
. Элементы MA0
соответствуйте элементам Mdl.MA
.
По умолчанию, estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'SMA0'
— Первоначальные оценки сезонных коэффициентов полинома скользящего среднего значенияПервоначальные оценки сезонных коэффициентов полинома скользящего среднего значения В виде разделенной запятой пары, состоящей из 'SMA0'
и числовой вектор.
Длина SMA0
должен равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в сезонном полиноме скользящего среднего значения SMALags
. Элементы SMA0
соответствуйте элементам Mdl.SMA
.
По умолчанию, estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'Beta0'
— Первоначальные оценки коэффициентов регрессииПервоначальные оценки коэффициентов регрессии β в виде разделенной запятой пары, состоящей из 'Beta0'
и числовой вектор.
Длина Beta0
должен равняться количеству столбцов X
. Элементы Beta0
соответствуйте переменным предикторам, представленным столбцами X
.
По умолчанию, estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Типы данных: double
'DoF0'
— Первоначальная оценка t - параметр степеней свободы распределения
(значение по умолчанию) | положительная скалярная величинаПервоначальная оценка t - параметр степеней свободы распределения ν в виде разделенной запятой пары, состоящей из 'DoF0'
и положительная скалярная величина. DoF0
должен превысить 2.
Типы данных: double
'Variance0'
— Первоначальные оценки отклонений инновацийПервоначальные оценки отклонений инноваций в виде разделенной запятой пары, состоящей из 'Variance0'
и положительная скалярная величина или вектор ячейки из аргументов пары "имя-значение".
Mdl.Variance Значение | Описание | 'Variance0' Значение |
---|---|---|
Числовой скаляр или NaN | Постоянное отклонение | Положительная скалярная величина |
garch , egarch , или gjr объект модели | Условная модель отклонения | Вектор ячейки из аргументов пары "имя-значение" для определения первоначальных оценок, смотрите estimate функция условных объектов модели отклонения |
По умолчанию, estimate
выводит первоначальные оценки с помощью стандартных методов временных рядов.
Пример: Для модели с постоянным отклонением, набор 'Variance0',2
задавать начальную оценку отклонения 2
.
Пример: Для составного условного среднего значения и модели отклонения, набор 'Variance0',{'Constant0',2,'ARCH0',0.1}
задавать первоначальную оценку 2
для условной постоянной модели отклонения, и первоначальная оценка 0.1
для задержки 1 коэффициент в полиноме ДУГИ.
Типы данных: double |
cell
Примечание
NaN
s во входных данных указывают на отсутствующие значения. estimate
использование listwise удаление, чтобы удалить все произведенные времена (строки) во входных данных, содержащих по крайней мере одно отсутствующее значение. А именно, estimate
выполняет эти шаги:
Синхронизируйтесь, или слияние, преддемонстрационные наборы данных E0
, V0
, и Y0
и эффективные выборочные данные X
и y
создать отдельные наборы Presample
и EffectiveSample
.
Удалите все строки из Presample
и EffectiveSample
содержа по крайней мере один NaN
.
Удаление Listwise уменьшает объем выборки и может создать неправильные временные ряды.
EstParamCov
— Предполагаемая ковариационная матрица оценок наибольшего правдоподобияПредполагаемая ковариационная матрица наибольшего правдоподобия оценки, известные оптимизатору, возвратилась как положительная полуопределенная числовая матрица.
Строки и столбцы содержат ковариации оценок параметра. Стандартная погрешность каждой оценки параметра является квадратным корнем из основных диагональных элементов.
Строки и столбцы, соответствующие любым параметрам, сохраненным зафиксированными как ограничения равенства, являются нулевыми векторами.
Параметры, соответствующие строкам и столбцам EstParamCov
появитесь в следующем порядке:
Постоянный
Ненулевой AR
коэффициенты в положительных задержках, от самого маленького до самой большой задержки
Ненулевой SAR
коэффициенты в положительных задержках, от самого маленького до самой большой задержки
Ненулевой MA
коэффициенты в положительных задержках, от самого маленького до самой большой задержки
Ненулевой SMA
коэффициенты в положительных задержках, от самого маленького до самой большой задержки
Коэффициенты регрессии (когда вы задаете внешние данные X
), упорядоченный столбцами X
Параметры отклонения, скаляр для постоянных моделей отклонения и вектор для условных моделей отклонения (см. estimate
для порядка параметров)
Степени свободы (t - только инновационное распределение)
Типы данных: double
logL
— Оптимизированное значение целевой функции логарифмической правдоподобностиОптимизированное значение целевой функции логарифмической правдоподобности, возвращенное в виде числа.
Типы данных: double
info
— Сводные данные оптимизацииСводные данные оптимизации, возвращенные как массив структур с полями, описанными в этой таблице.
Поле | Описание |
---|---|
exitflag | Выходной флаг оптимизации (см. fmincon в Optimization Toolbox) |
options | Контроллер опций оптимизации (см. optimoptions и fmincon в Optimization Toolbox) |
X | Вектор из итоговых оценок параметра |
X0 | Вектор из начальных оценок параметра |
Например, можно отобразить вектор из итоговых оценок путем ввода info.X
в Командном окне.
Типы данных: struct
estimate
выводит инновации и условные отклонения (когда существующий) базового ряда ответа, и затем использует ограниченное наибольшее правдоподобие, чтобы соответствовать модели Mdl
к данным об ответе y
.
Поскольку можно задать преддемонстрационные вводы данных Y0
, E0
, и V0
из отличающихся длин, estimate
принимает, что все заданные наборы имеют эти характеристики:
Итоговое наблюдение (строка) в каждом наборе происходит одновременно.
Первое наблюдение в выборке оценки сразу следует за последним наблюдением в предварительной выборке относительно частоты дискретизации.
Если вы задаете 'Display'
аргумент пары "имя-значение", значение заменяет Diagnostics
и Display
настройки 'Options'
аргумент пары "имя-значение". В противном случае, estimate
информация об оптимизации отображений с помощью 'Options'
настройки.
estimate
использует векторное произведение градиентов (OPG) метод, чтобы выполнить оценку ковариационной матрицы.
[1] Поле, Джордж Э. П., Гвилим М. Дженкинс и Грегори К. Рейнсель. Анализ Временных Рядов: Прогнозирование и Управление. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1994.
[2] Enders, Уолтер. Прикладные эконометрические временные ряды. Хобокен, NJ: John Wiley & Sons, Inc., 1995.
[3] Грин, Уильям. H. Эконометрический Анализ. 6-й редактор Верхний Сэддл-Ривер, NJ: Prentice Hall, 2008.
[4] Гамильтон, Джеймс. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.