В этом примере показано, как оценить предположения модели ARIMA путем выполнения остаточной диагностики в приложении Econometric Modeler. 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.
В командной строке загрузите Data_JAustralian.mat
набор данных.
load Data_JAustralian
Преобразуйте таблицу DataTable
к расписанию:
Очистите имена строки DataTable
.
Преобразуйте время выборки в datetime
вектор.
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);
В командной строке откройте приложение Econometric Modeler.
econometricModeler
В качестве альтернативы откройте приложение из галереи Apps (см. Econometric Modeler).
Импортируйте DataTable
в приложение:
На вкладке Econometric Modeler, в разделе Import, нажатии кнопки.
В диалоговом окне Import Data, в столбце Import?, устанавливают флажок для DataTable
переменная.
Нажмите Import.
Переменные, включая PAU
, появитесь в Data Browser, и график временных рядов, содержащий весь ряд, появляется в окне рисунка Time Series Plot(EXCH).
Создайте график временных рядов PAU
путем двойного клика по PAU
в Data Browser.
Оцените модель ARIMA (2,1,0) для журнала ежеквартальный австралийский CPI (для получения дополнительной информации смотрите Выбор Модели Поля-Jenkins Реализации и Оценку Используя Приложение Econometric Modeler).
В Data Browser выберите PAU
временные ряды.
На вкладке Econometric Modeler, в разделе Models, нажимают ARIMA.
В диалоговом окне ARIMA Model Parameters, на вкладке Lag Order:
Установите Degree of Integration на 1
.
Установите Autoregressive Order на 2
.
Нажмите Estimate.
Переменная ARIMA_PAU
модели появляется в разделе Models Data Browser, и его сводные данные оценки появляются в документе Model Summary(ARIMA_PAU).
В документе Model Summary(ARIMA_PAU) фигура Residual Plot является графиком временных рядов остаточных значений. График предполагает, что остаточные значения сосредоточены в y = 0, и они показывают кластеризацию энергозависимости.
Визуально оцените, нормально распределены ли остаточные значения путем графического вывода их гистограммы и графика квантиля квантиля:
Закройте документ Model Summary(ARIMA_PAU).
С ARIMA_PAU
выбранный в Data Browser, на вкладке Econometric Modeler, в разделе Diagnostics, нажимают Residual Diagnostics> Residual Histogram.
Нажмите Residual Diagnostics> Residual Q-Q Plot.
Смотрите гистограмму путем нажатия на окно рисунка Histogram(ARIMA_PAU).
Смотрите график квантиля квантиля путем нажатия на окно рисунка QQPlot(ARIMA_PAU).
Остаточные значения кажутся приблизительно нормально распределенными. Однако существует избыток больших остаточных значений, который указывает, что инновационное распределение t может быть разумной модификацией модели.
Визуально оцените, коррелируются ли остаточные значения последовательно путем графического вывода их автокорреляций. С ARIMA_PAU
выбранный в Data Browser, в разделе Diagnostics, нажимают Residual Diagnostics> Autocorrelation Function.
Все задержки, которые больше 0, соответствуют незначительным автокорреляциям. Поэтому остаточные значения являются некоррелироваными вовремя.
Визуально оцените, показывают ли остаточные значения heteroscedasticity путем графического вывода ACF квадратов остатков. С ARIMA_PAU
выбранный в Data Browser, кликните по вкладке Econometric Modeler. Затем кликните по разделу Diagnostics, нажмите Residual Diagnostics> Squared Residual Autocorrelation.
Значительные автокорреляции происходят в задержках 4 и 5, который предлагает составное условное среднее значение и модель отклонения для PAU
.