Создайте модели регрессии с ошибками ARIMA

Модель регрессии по умолчанию с ошибками ARIMA

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

Задайте модель регрессии по умолчанию с ARIMA (3,1,2) ошибки:

yt=c+Xtβ+ut(1-a1L-a2L2-a3L3)(1-L)ut=(1+b1L+b2L2)εt.

Mdl = regARIMA(3,1,2)
Mdl = 
  regARIMA with properties:

     Description: "ARIMA(3,1,2) Error Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
       Intercept: NaN
            Beta: [1×0]
               P: 4
               D: 1
               Q: 2
              AR: {NaN NaN NaN} at lags [1 2 3]
             SAR: {}
              MA: {NaN NaN} at lags [1 2]
             SMA: {}
        Variance: NaN

Программное обеспечение устанавливает каждый параметр на NaN, и инновационное распределение к Gaussian. Коэффициенты AR в задержках 1 - 3, и коэффициенты MA в задержках 1 и 2. Свойство P = p + D = 3 + 1 = 4. Поэтому программное обеспечение требует, чтобы по крайней мере четыре преддемонстрационных значения инициализировали временные ряды.

Передайте Mdl в estimate с данными, чтобы оценить набор параметров к NaN. regARIMA модель устанавливает Beta к [] и не отображает его. Если вы передаете матрицу предикторов (Xt) в estimate, затем estimate оценки Beta. estimate функция выводит количество коэффициентов регрессии в Beta от количества столбцов в Xt.

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.

Следует иметь в виду что прерывание модели регрессии (Intercept) не идентифицируется в моделях регрессии с ошибками ARIMA. Если вы хотите к estimate Mdl, затем необходимо установить Intercept к использованию значения, например, записи через точку. В противном случае, estimate может возвратить побочную оценку Intercept.

Ошибочная модель ARIMA без прерывания

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

Задайте модель регрессии по умолчанию с ARIMA (3,1,2) ошибки:

yt=Xtβ+ut(1-a1L-a2L2-a3L3)(1-L)ut=(1+b1L+b2L2)εt.

Mdl = regARIMA('ARLags',1:3,'MALags',1:2,'D',1,'Intercept',0)
Mdl = 
  regARIMA with properties:

     Description: "ARIMA(3,1,2) Error Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
       Intercept: 0
            Beta: [1×0]
               P: 4
               D: 1
               Q: 2
              AR: {NaN NaN NaN} at lags [1 2 3]
             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.

В общем случае, если вы хотите использовать estimate оценить регрессию модели с ошибками ARIMA, где D> 0 или s> 0, затем необходимо установить Intercept к значению перед оценкой.

Можно изменить свойства Mdl использование записи через точку.

Ошибочная модель ARIMA с непоследовательными задержками

В этом примере показано, как задать модель регрессии с ошибками ARIMA, где ненулевой AR и условия MA в непоследовательных задержках.

Задайте модель регрессии с ARIMA (8,1,4) ошибки:

yt=Xtβ+ut(1-a1L-a4L4-a8L8)(1-L)ut=(1+b1L+b4L4)εt.

Mdl = regARIMA('ARLags',[1,4,8],'D',1,'MALags',[1,4],...
    'Intercept',0)
Mdl = 
  regARIMA with properties:

     Description: "ARIMA(8,1,4) Error Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
       Intercept: 0
            Beta: [1×0]
               P: 9
               D: 1
               Q: 4
              AR: {NaN NaN NaN} at lags [1 4 8]
             SAR: {}
              MA: {NaN NaN} at lags [1 4]
             SMA: {}
        Variance: NaN

Коэффициенты AR в задержках 1, 4, и 8, и коэффициенты MA в задержках 1 и 4. Программное обеспечение устанавливает временные задержки на 0.

Передайте Mdl и данные в estimate. Программное обеспечение оценивает все параметры, которые имеют значение NaN. Затем estimate содержит все временные коэффициенты задержки к 0 во время оценки.

Известные значения параметров для модели регрессии с ошибками ARIMA

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

Задайте модель регрессии с ARIMA (3,1,2) ошибки:

yt=Xt[2.5-0.6]+ut(1-0.7L+0.3L2-0.1L3)(1-L)ut=(1+0.5L+0.2L2)εt,

где εt является Гауссовым с модульным отклонением.

Mdl = regARIMA('Intercept',0,'Beta',[2.5; -0.6],...
    'AR',{0.7, -0.3, 0.1},'MA',{0.5, 0.2},...
    'Variance',1,'D',1)
Mdl = 
  regARIMA with properties:

     Description: "Regression with ARIMA(3,1,2) Error Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
       Intercept: 0
            Beta: [2.5 -0.6]
               P: 4
               D: 1
               Q: 2
              AR: {0.7 -0.3 0.1} at lags [1 2 3]
             SAR: {}
              MA: {0.5 0.2} at lags [1 2]
             SMA: {}
        Variance: 1

Параметры в Mdl не содержите NaN значения, и поэтому нет никакой потребности оценить его. Однако можно симулировать или предсказать ответы путем передачи Mdl к simulate или forecast.

Модель регрессии с Ошибками ARIMA и t Инновациями

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

Задайте модель регрессии с ARIMA (3,1,2) ошибки:

yt=Xt[2.5-0.6]+ut(1-0.7L+0.3L2-0.1L3)(1-L)ut=(1+0.5L+0.2L2)εt,

где εt имеет t распределение со степенями свободы по умолчанию и модульным отклонением.

Mdl = regARIMA('Intercept',0,'Beta',[2.5; -0.6],...
    'AR',{0.7, -0.3, 0.1},'MA',{0.5, 0.2},'Variance',1,...
    'Distribution','t','D',1)
Mdl = 
  regARIMA with properties:

     Description: "Regression with ARIMA(3,1,2) Error Model (t Distribution)"
    Distribution: Name = "t", DoF = NaN
       Intercept: 0
            Beta: [2.5 -0.6]
               P: 4
               D: 1
               Q: 2
              AR: {0.7 -0.3 0.1} at lags [1 2 3]
             SAR: {}
              MA: {0.5 0.2} 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 t10 распределение.

Mdl.Distribution = struct('Name','t','DoF',10)
Mdl = 
  regARIMA with properties:

     Description: "Regression with ARIMA(3,1,2) Error Model (t Distribution)"
    Distribution: Name = "t", DoF = 10
       Intercept: 0
            Beta: [2.5 -0.6]
               P: 4
               D: 1
               Q: 2
              AR: {0.7 -0.3 0.1} at lags [1 2 3]
             SAR: {}
              MA: {0.5 0.2} at lags [1 2]
             SMA: {}
        Variance: 1

Можно симулировать или предсказать ответы 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.

Смотрите также

| | |

Связанные примеры

Больше о

Для просмотра документации необходимо авторизоваться на сайте