Реализуйте выбор модели поля-Jenkins и оценку Используя приложение Econometric Modeler

В этом примере показано, как использовать методологию Поля-Jenkins, чтобы выбрать и оценить модель ARIMA при помощи приложения Econometric Modeler. Затем это показывает, как экспортировать предполагаемую модель, чтобы сгенерировать прогнозы. Набор данных, который хранится в Data_JAustralian.mat, содержит журнал ежеквартальный австралийский Индекс потребительских цен (CPI), измеренный от 1 972 и 1991, среди других временных рядов.

Подготовка данных для Econometric Modeler

В командной строке загрузите Data_JAustralian.mat набор данных.

load Data_JAustralian

Преобразуйте таблицу DataTable к расписанию:

  1. Очистите имена строки DataTable.

  2. Преобразуйте время выборки в datetime вектор.

  3. Преобразуйте таблицу в расписание путем соединения строк со временем выборки в dates.

DataTable.Properties.RowNames = {};
dates = datetime(dates,'ConvertFrom','datenum',...
     'Format','ddMMMyyyy','Locale','en_US');
DataTable = table2timetable(DataTable,'RowTimes',dates);

Импортируйте данные в Econometric Modeler

В командной строке откройте приложение Econometric Modeler.

econometricModeler

В качестве альтернативы откройте приложение из галереи Apps (см. Econometric Modeler).

Импортируйте DataTable в приложение:

  1. На вкладке Econometric Modeler, в разделе Import, нажатии кнопки.

  2. В диалоговом окне Import Data, в столбце Import?, устанавливают флажок для DataTable переменная.

  3. Нажмите Import.

Переменные, включая PAU, появитесь в Data Browser, и график временных рядов всего ряда появляется в окне рисунка Time Series Plot(EXCH).

Создайте график временных рядов PAU путем двойного клика по PAU в Data Browser.

Ряд кажется неустановившимся, потому что он имеет ясный восходящий тренд.

Постройте демонстрационный ACF и PACF ряда

Постройте демонстрационную автокорреляционную функцию (ACF) и частичная автокорреляционная функция (PACF).

  1. В Data Browser выберите PAU временные ряды.

  2. Кликните по вкладке Plots, затем нажмите ACF.

  3. Кликните по вкладке Plots, затем нажмите PACF.

  4. Закройте все окна рисунка за исключением коррелограмм. Затем перетащите окно рисунка ACF(PAU) выше окна рисунка PACF(PAU).

Значительный, линейно затухающий демонстрационный ACF указывает на неустановившийся процесс.

Закройте окна рисунка PACF(PAU) и ACF(PAU).

Различие ряд

Возьмите первое различие данных. С PAU выбранный в Data Browser, на вкладке Econometric Modeler, в разделе Transforms, нажимают Difference.

Преобразованная переменная PAUDiff появляется в Data Browser, и его график временных рядов появляется в окне рисунка Time Series Plot(PAUDiff).

Дифференцирование удаляет линейный тренд. differenced ряд кажется более стационарным.

Постройте демонстрационный ACF и PACF ряда Differenced

Постройте демонстрационный ACF и PACF PAUDiff. С PAUDiff выбранный в Data Browser:

  1. Кликните по вкладке Plots, затем нажмите ACF.

  2. Кликните по вкладке Plots, затем нажмите PACF.

  3. Закройте окно рисунка Time Series Plot(PAUDiff). Затем перетащите окно рисунка ACF(PAUDiff) выше окна рисунка PACF(PAUDiff).

Демонстрационный ACF differenced ряда затухает более быстро. Демонстрационный PACF убегает после задержки 2. Это поведение сопоставимо с авторегрессивной моделью (AR(2)) второй степени для differenced ряда.

Закройте окна рисунка PACF(PAUDiff) и ACF(PAUDiff).

Задайте и оцените модель ARIMA

Оцените модель ARIMA (2,1,0) для журнала ежеквартальный австралийский CPI. Эта модель имеет одну степень несезонного дифференцирования и двух задержек AR.

  1. В Data Browser выберите PAU временные ряды.

  2. На вкладке Econometric Modeler, в разделе Models, нажимают ARIMA.

  3. В диалоговом окне ARIMA Model Parameters, на вкладке Lag Order:

    1. Установите Degree of Integration на 1.

    2. Установите Autoregressive Order на 2.

  4. Нажмите Estimate.

Переменная ARIMA_PAU модели появляется в разделе Models Data Browser, и его сводные данные оценки появляются в документе Model Summary(ARIMA_PAU).

Оба коэффициента AR являются значительными на 5%-м уровне значения.

Проверяйте качество подгонки

Проверяйте, что остаточные значения являются нормально распределенными и некоррелироваными путем графического вывода гистограммы, графика квантиля квантиля и ACF остаточных значений.

  1. Закройте документ Model Summary(ARIMA_PAU).

  2. С ARIMA_PAU выбранный в Data Browser, на вкладке Econometric Modeler, в разделе Diagnostics, нажимают Residual Diagnostics> Residual Histogram.

  3. Нажмите Residual Diagnostics> Residual Q-Q Plot.

  4. Нажмите Residual Diagnostics> Autocorrelation Function.

  5. На правой панели перетащите Histogram(ARIMA_PAU) и окна рисунка QQPlot(ARIMA_PAU) так, чтобы они заняли верхние два квадранта и перетащили ACF так, чтобы это заняло более низкие два квадранта.

Остаточные графики предполагают, что остаточные значения являются приблизительно нормально распределенными и некоррелироваными. Однако существует некоторая индикация относительно избытка больших остаточных значений. Это поведение предполагает, что инновационное распределение t может быть соответствующим.

Модель экспорта к рабочей области

Экспортируйте модель в MATLAB® Workspace.

  1. В Data Browser выберите PAU временные ряды.

  2. На вкладке Econometric Modeler, в разделе Export, нажимают Export> Export Variables.

  3. В диалоговом окне Export Variables установите флажок Select для модели ARIMA_PAU.

  4. Нажмите Export. Флажок для временных рядов PAU уже устанавливается.

Переменные PAU и ARIMA_PAU появитесь в рабочей области.

Сгенерируйте прогнозы в командной строке

Сгенерируйте прогнозы и аппроксимируйте 95%-е интервалы прогноза из предполагаемой модели ARIMA (2,1,0) в течение следующих четырех лет (16 четвертей). Используйте целый ряд в качестве предварительной выборки для прогнозов.

[PAUF,PAUMSE] = forecast(ARIMA_PAU,16,'Y0',PAU);
UB = PAUF + 1.96*sqrt(PAUMSE);
LB = PAUF - 1.96*sqrt(PAUMSE);
datesF = dates(end) + calquarters(1:16);

figure
h4 = plot(dates,PAU,'Color',[.75,.75,.75]);
hold on
h5 = plot(datesF,PAUF,'r','LineWidth',2);
h6 = plot(datesF,UB,'k--','LineWidth',1.5);
plot(datesF,LB,'k--','LineWidth',1.5);
legend([h4,h5,h6],'Log CPI','Forecast',...
       'Forecast Interval','Location','Northwest')
title('Log Australian CPI Forecast')
hold off

Ссылки

[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.

Смотрите также

Приложения

Объекты

Функции

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте