Можно описать все стационарные стохастические процессы в общей линейной форме [2]
Инновационный процесс, , некоррелированое — но не обязательно независимый — средний нулевой процесс с известным распределением.
В Econometrics Toolbox™ общая форма для инновационного процесса . Здесь, zt является независимым и тождественно распределенным (iid) рядом со средним значением 0 и отклонением 1, и отклонение инновационного процесса во время t. Таким образом, некоррелированый ряд со средним значением 0 и отклонением .
arima
объекты модели имеют два свойства для того, чтобы хранить информацию об инновационном процессе:
Variance
хранит форму
Distribution
хранит параметрическую форму распределения zt
Если навсегда t, затем независимый процесс с постоянным отклонением, .
Значение по умолчанию для Variance
isnan
, значение постоянного отклонения с неизвестным значением. Можно альтернативно присвоить Variance
любое значение положительной скалярной величины или оценка это с помощью estimate
.
Временные ряды могут показать volatility clustering, означая тенденцию для больших изменений следовать за большими изменениями и небольшими изменениями, чтобы следовать за небольшими изменениями. Можно смоделировать это поведение с условной моделью отклонения — динамическая модель, описывающая эволюцию отклонения процесса, , условное выражение на прошлых инновациях и отклонениях.
Установите Variance
равняйтесь одному из трех условных объектов модели отклонения, доступных в Econometrics Toolbox (garch
, egarch
, или gjr
). Это создает составное условное среднее значение и переменную модели отклонения.
Доступные распределения для zt:
Стандартизированный гауссов
t стандартизированного Студента с ν> 2 степени свободы,
где следует за распределением t Студента с ν> 2 степени свободы.
Распределение t полезно для моделирования временных рядов с более экстремумами, чем ожидалось при Распределении Гаусса. Ряды с большими значениями, чем ожидалось под нормальностью, как говорят, имеют excess kurtosis.
Совет
Это - хорошая практика, чтобы оценить дистрибутивные свойства остаточных значений модели определить, подходит ли Гауссово инновационное распределение (распределение по умолчанию) для ваших данных.
Свойство Distribution
в модели хранит имя распределения (и степени свободы для t распределения). Тип данных Distribution
struct
массив. Для Гауссова инновационного распределения структура данных имеет только одно поле: Name
. Для t распределения Студента структура данных должна иметь два поля:
Name
, со значением 't'
DoF
, со скалярным значением, больше, чем два (NaN
значение по умолчанию),
Если инновационное распределение является Гауссовым, вы не должны присваивать значение Distribution
. arima
создает необходимую структуру данных.
Чтобы проиллюстрировать, рассмотрите определение модели MA (2) с iid Гауссовым инновационным процессом:
Mdl = arima(0,0,2)
Mdl = arima with properties: Description: "ARIMA(0,0,2) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 0 D: 0 Q: 2 Constant: NaN AR: {} SAR: {} MA: {NaN NaN} at lags [1 2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Выход модели показывает тот Distribution
struct
массив с одним полем, Name
, со значением 'Gaussian'
.
При определении t инновационного распределения Студента можно задать распределение или с неизвестными или с известными степенями свободы. Если степени свободы неизвестны, можно просто присвоить Distribution
значение 't'
. По умолчанию, свойство Distribution
имеет структуру данных с полем Name
равняйтесь 't'
, и поле DoF
равняйтесь NaN
. При вводе модель к estimate
, степени свободы оцениваются наряду с любыми другими неизвестными параметрами модели.
Например, задайте модель MA (2) с t инновационным распределением iid Студента с неизвестными степенями свободы:
Mdl = arima('MALags',1:2,'Distribution','t')
Mdl = arima with properties: Description: "ARIMA(0,0,2) Model (t Distribution)" Distribution: Name = "t", DoF = NaN P: 0 D: 0 Q: 2 Constant: NaN AR: {} SAR: {} MA: {NaN NaN} at lags [1 2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Выход показывает тот Distribution
структура данных с двумя полями. Поле Name
имеет значение 't'
, и поле DoF
имеет значение NaN
.
Если степени свободы известны, и вы хотите установить ограничение равенства, присвоить struct
массив к Distribution
с полями Name
и DoF
. В этом случае, если модель вводится к estimate
, степени свободы не будут оценены (ограничение равенства поддерживается).
Задайте модель MA (2) с t инновационным процессом iid Студента с восемью степенями свободы:
Mdl = arima('MALags',1:2,'Distribution',struct('Name','t','DoF',8))
Mdl = arima with properties: Description: "ARIMA(0,0,2) Model (t Distribution)" Distribution: Name = "t", DoF = 8 P: 0 D: 0 Q: 2 Constant: NaN AR: {} SAR: {} MA: {NaN NaN} at lags [1 2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Выход показывает заданное инновационное распределение.
После того, как модель существует в Рабочей области, можно изменить ее Distribution
свойство с помощью записи через точку. Вы не можете изменить поля Distribution
структура данных непосредственно. Например, Mdl.Distribution.DoF = 8
не допустимое присвоение. Однако можно получить отдельные поля.
Начните с модели MA (2):
Mdl = arima(0,0,2);
Чтобы изменить распределение инновационного процесса в существующей модели к t распределению Студента с неизвестными степенями свободы, введите:
Mdl.Distribution = 't'
Mdl = arima with properties: Description: "ARIMA(0,0,2) Model (t Distribution)" Distribution: Name = "t", DoF = NaN P: 0 D: 0 Q: 2 Constant: NaN AR: {} SAR: {} MA: {NaN NaN} at lags [1 2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Чтобы изменить распределение в t распределение с известными степенями свободы, используйте структуру данных:
Mdl.Distribution = struct('Name','t','DoF',8)
Mdl = arima with properties: Description: "ARIMA(0,0,2) Model (t Distribution)" Distribution: Name = "t", DoF = 8 P: 0 D: 0 Q: 2 Constant: NaN AR: {} SAR: {} MA: {NaN NaN} at lags [1 2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Можно получить отдельный Distribution
поля :
DistributionDoF = Mdl.Distribution.DoF
DistributionDoF = 8
Чтобы изменить инновационное распределение от t Студента назад к Распределению Гаусса, введите:
Mdl.Distribution = 'Gaussian'
Mdl = arima with properties: Description: "ARIMA(0,0,2) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 0 D: 0 Q: 2 Constant: NaN AR: {} SAR: {} MA: {NaN NaN} at lags [1 2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Name
поле обновляется к 'Gaussian'
, и больше нет DoF
поле .
[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] Пустошь, H. Исследование в анализе стационарных временных рядов. Упсала, Швеция: Almqvist и Wiksell, 1938.