Создайте одномерную авторегрессивную интегрированную модель (ARIMA) скользящего среднего значения
arima
функция возвращает arima
объект, задающий функциональную форму и хранящий значения параметров ARIMA (p, D, q) линейная модель временных рядов для одномерного процесса ответа y t.
arima
позволяет вам создать изменения модели ARIMA, включая:
Авторегрессивное (AR (p)), скользящее среднее значение (MA (q)), или ARMA (p, q) модель.
Модель, содержащая мультипликативные сезонные компоненты (SARIMA (p, D, q) ⨉ (ps, Ds, qs) s).
Модель, содержащая компонент линейной регрессии для внешних ковариантов (ARIMAX).
Составная условная средняя и условная модель отклонения. Например, можно создать условную среднюю модель ARMA, содержащую условную модель отклонения GARCH (garch
).
Ключевые компоненты arima
объект является полиномиальными степенями (например, степень полинома AR p и степень интегрирования D), потому что они полностью задают структуру модели. Учитывая полиномиальные степени, все другие параметры, такие как коэффициенты и инновационные параметры распределения, являются неизвестными и допускающими оценку, если вы не задаете их значения.
Чтобы оценить модель, содержащую неизвестные значения параметров, передайте модель и данные к estimate
. Работать с предполагаемым или полностью заданным arima
объект, передайте его объектной функции.
В качестве альтернативы вы можете:
Создайте и работайте с arima
объекты модели в интерактивном режиме при помощи Econometric Modeler.
Последовательная корреляция модели в ряду воздействия модели регрессии путем создания модели регрессии с ошибками ARIMA. Для получения дополнительной информации смотрите regARIMA
и альтернатива представления модели ARIMA.
создает модель ARIMA (0,0,0), содержащую только неизвестную константу и серию iid Гауссовых инноваций со средним значением 0 и неизвестным отклонением.Mdl
= arima
создает ARIMA (Mdl
= arima(p
,D
,q
)p
D
Q
) модель, содержащая несезонный полином AR, отстает от 1 до p
, степень D
несезонный полином интегрирования и несезонный полином MA отстают от 1 до q
.
Этот краткий синтаксис обеспечивает простой способ создать шаблон модели, в котором вы задаете степени несезонных полиномов явным образом. Шаблон модели подходит для неограниченной оценки параметра. После того, как вы создадите модель, можно изменить значения свойств с помощью записи через точку.
свойства наборов и полиномиальные аргументы пары "имя-значение" использования задержек. Заключите каждое имя в кавычки. Например, Mdl
= arima(Name,Value
)'ARLags',[1 4],'AR',{0.5 –0.1}
задает значения –0.5
и 0.1
для несезонных коэффициентов полинома AR в задержках 1
и 4
, соответственно.
Этот рукописный синтаксис позволяет вам создавать более гибкие модели. arima
выводит все полиномиальные степени свойств, которые вы устанавливаете. Поэтому значения свойств, которые соответствуют полиномиальным степеням, должны быть сопоставимы друг с другом.
Краткий синтаксис обеспечивает простой способ к вам создать несезонные шаблоны модели ARIMA, которые подходят для неограниченной оценки параметра. Например, чтобы создать модель ARMA(2,1), содержащую неизвестное содействующее и инновационное отклонение, введите:
Mdl = arima(2,0,1);
p
— Несезонная авторегрессивная полиномиальная степеньНесезонная авторегрессивная полиномиальная степень в виде неотрицательного целого числа.
Типы данных: double
D
— Степень несезонного интегрированияСтепень несезонного интегрирования (степень несезонного полинома дифференцирования) в виде неотрицательного целого числа. D
устанавливает свойство D.
Типы данных: double
q
— Несезонная степень полинома скользящего среднего значенияНесезонная степень полинома скользящего среднего значения в виде неотрицательного целого числа.
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
.
Рукописный синтаксис позволяет вам создать сезонные модели или модели, в которых некоторые или все коэффициенты известны. Во время оценки, estimate
налагает ограничения равенства на любые известные параметры.
'ARLags',[1 4],'AR',{0.5 –0.1}
задает несезонный полином AR .'ARLags'
— Задержки сопоставлены с несезонными коэффициентами полинома AR1:numel(AR)
(значение по умолчанию) | числовой вектор из уникальных положительных целых чиселЗадержки, сопоставленные с несезонными коэффициентами полинома AR в виде разделенной запятой пары, состоящей из 'ARLags'
и числовой вектор из уникальных положительных целых чисел. Максимальной задержкой является p.
AR {
коэффициент задержки j
}ARLags (
.j
)
Пример: 'ARLags',[1 4]
задает несезонный полином AR
Типы данных: double
'MALags'
— Задержки сопоставлены с несезонными коэффициентами полинома MA1:numel(MA)
(значение по умолчанию) | числовой вектор из уникальных положительных целых чиселЗадержки, сопоставленные с несезонными коэффициентами полинома MA в виде разделенной запятой пары, состоящей из 'MALags'
и числовой вектор из уникальных положительных целых чисел. Максимальной задержкой является q.
MA {
коэффициент задержки j
}MALags (
.j
)
Пример: 'MALags',1:3
задает несезонный полином MA
Типы данных: double
'SARLags'
— Задержки сопоставлены с сезонными коэффициентами полинома AR1:numel(SAR)
(значение по умолчанию) | числовой вектор из уникальных положительных целых чиселЗадержки, сопоставленные с сезонными коэффициентами полинома AR в виде разделенной запятой пары, состоящей из 'SARLags'
и числовой вектор из уникальных положительных целых чисел. Максимальной задержкой является ps.
SAR {
коэффициент задержки j
}SARLags (
.j
)
Задайте SARLags
как периодичность наблюдаемых данных, и не как множители Seasonality
свойство. Это соглашение не соответствует стандартному Полю и Дженкинсу [1] обозначение, но это более гибко для слияния мультипликативной сезонности.
Пример: 'SARLags',[4 8]
задает сезонный полином AR
Типы данных: double
'SMALags'
— Задержки сопоставлены с сезонными коэффициентами полинома MA1:numel(SMA)
(значение по умолчанию) | числовой вектор из уникальных положительных целых чиселЗадержки, сопоставленные с сезонными коэффициентами полинома MA в виде разделенной запятой пары, состоящей из 'SMALags'
и числовой вектор из уникальных положительных целых чисел. Максимальной задержкой является qs.
SMA {
коэффициент задержки j
}SMALags (
.j
)
Задайте SMALags
как периодичность наблюдаемых данных, и не как множители Seasonality
свойство. Это соглашение не соответствует стандартному Полю и Дженкинсу [1] обозначение, но это более гибко для слияния мультипликативной сезонности.
Пример: 'SMALags',4
задает сезонный полином MA
Типы данных: double
Примечание
Полиномиальные степени не являются допускающими оценку. Если вы не задаете полиномиальную степень или arima
не может вывести его из других технических требований, arima
не включает полином в модель.
Можно установить перезаписываемые значения свойств, когда вы создаете объект модели при помощи синтаксиса аргумента пары "имя-значение", или после того, как вы создаете объект модели при помощи записи через точку. Например, чтобы создать полностью заданную модель ARMA(2,1), введите:
Mdl = arima('Constant',1,'AR',{0.3 -0.15},'MA',0.2); Mdl.Variance = 1;
Примечание
NaN
- свойства, передаваемые по значению, указывают на допускающие оценку параметры. Числовые свойства указывают на ограничения равенства на параметры во время оценки модели. Векторы коэффициентов могут содержать и числовой и NaN
- ценные элементы.
Можно задать полиномиальные коэффициенты как векторы в любой ориентации, но arima
хранит их как векторы-строки.
P
— Составная степень полинома ARЭто свойство доступно только для чтения.
Составная степень полинома AR в виде неотрицательного целого числа.
P
не обязательно приспосабливает стандарту Боксу и обозначению [1] Дженкинса потому что P
получает степени несезонных и сезонных полиномов AR (свойства AR
и SAR
, соответственно), несезонное интегрирование (свойство D
), и сезонность (свойство Seasonality
). Явным образом, P
= p + D + ps + s. P
соответствует обозначению Бокса и Дженкинса для моделей без интегрирования или сезонного компонента AR.
P
задает количество изолированных наблюдений, требуемых инициализировать компоненты AR модели.
Типы данных: double
Q
— Составная степень полинома MAЭто свойство доступно только для чтения.
Составная степень полинома MA в виде неотрицательного целого числа.
Q
не обязательно приспосабливает стандарту Боксу и обозначению [1] Дженкинса потому что Q
получает степени несезонных и сезонных полиномов MA (свойства MA
и SMA
, соответственно). Явным образом, Q
= q + qs. Q
соответствует обозначению Бокса и Дженкинса для моделей без сезонного компонента MA.
Q
задает количество изолированных инноваций, требуемых инициализировать компоненты MA модели.
Типы данных: double
Description
Описание моделиОписание модели в виде строкового скаляра или вектора символов. arima
хранит значение как строковый скаляр. Значение по умолчанию описывает параметрическую форму модели, например
, "ARIMAX(1,1,1) Model (Gaussian Distribution)"
.
Пример: "Model 1"
Типы данных: string
| char
Distribution
— Распределение условной вероятности инновационного процесса"Gaussian"
(значение по умолчанию) | "t"
| массив структурРаспределение условной вероятности инновационного процесса в виде строки или массива структур. arima
хранит значение как массив структур.
Распределение | Строка | Массив структур |
---|---|---|
Гауссов | "Gaussian" | struct('Name',"Gaussian") |
t студента | "t" | struct('Name',"t",'DoF',DoF) |
'DoF'
поле задает параметр степеней свободы распределения t.
DoF
> 2 или DoF
= NaN
.
DoF
является допускающим оценку.
Если вы задаете "t"
, DoF
isnan
по умолчанию. Можно изменить его значение при помощи записи через точку после того, как вы создадите модель. Например, Mdl.Distribution.DoF = 3
.
Если вы предоставляете массив структур, чтобы задать распределение t Студента, то необходимо задать обоих 'Name'
и 'DoF'
поля .
Пример: struct('Name',"t",'DoF',10)
Constant
— Константа моделиNaN
(значение по умолчанию) | числовой скалярКонстанта модели в виде числового скаляра.
Пример 1
Типы данных: double
AR
— Несезонные коэффициенты полинома ARНесезонные коэффициенты полинома AR в виде вектора ячейки. Ячейки содержат числовые скаляры или NaN
значения. Полностью заданный несезонный полином AR должен быть устойчивым.
Содействующие знаки соответствуют модели, описанной в обозначении разностного уравнения. Например, для несезонного полинома AR задайте 'AR',{0.5 –0.1}
.
Если вы используете краткий синтаксис, чтобы задать p
> 0, AR {
имеет значение j
}NaN
и это - коэффициент задержки j
= 1, …, J
p
.
Если вы устанавливаете 'ARLags'
аргумент пары "имя-значение" ARLags
, следующие условия применяются.
Длины AR
и ARLags
должно быть равным.
AR {
коэффициент задержки j
}ARLags (
, для всего j
)
в j
ARLags
.
По умолчанию, AR {
= j
}NaN
для всего
в j
ARLags
.
В противном случае, AR
пусто, и модель не содержит несезонный полином AR.
Коэффициенты в AR
соответствуйте коэффициентам в базовом LagOp
изолируйте полином оператора, и подвергаются тесту исключения почти неприятия. Если вы устанавливаете коэффициент на 1e–12
или ниже, arima
исключает тот коэффициент и его соответствующую задержку в ARLags
из модели.
Пример: {0.8}
Пример: {NaN –0.1}
Типы данных: cell
SAR
— Сезонные коэффициенты полинома ARСезонные коэффициенты полинома AR в виде вектора ячейки. Ячейки содержат числовые скаляры или NaN
значения. Полностью заданный сезонный полином AR должен быть устойчивым.
Содействующие знаки соответствуют модели, описанной в обозначении разностного уравнения. Например, для сезонного полинома AR задайте 'SAR',{0.5 –0.1}
.
Если вы устанавливаете 'SARLags'
аргумент пары "имя-значение" SARLags
, следующие условия применяются.
Длины SAR
и SARLags
должно быть равным.
SAR {
коэффициент задержки j
}SARLags (
, для всего j
)
в j
SARLags
.
По умолчанию, SAR {
= j
}NaN
для всего
в j
SARLags
.
В противном случае, SAR
пусто, и модель не содержит сезонный полином AR.
Коэффициенты в SAR
соответствуйте коэффициентам в базовом LagOp
изолируйте полином оператора, и подвергаются тесту исключения почти неприятия. Если вы устанавливаете коэффициент на 1e–12
или ниже, arima
исключает тот коэффициент и его соответствующую задержку в SARLags
из модели.
Пример: {0.2 0.1}
Пример: {NaN 0 0 NaN}
Типы данных: cell
MA
— Несезонные коэффициенты полинома MAНесезонные коэффициенты полинома MA в виде вектора ячейки. Ячейки содержат числовые скаляры или NaN
значения. Полностью заданный несезонный полином MA должен быть обратимым.
Если вы используете краткий синтаксис, чтобы задать q
> 0, MA {
имеет значение j
}NaN
и это - коэффициент задержки j
= 1, …, J
q
.
Если вы устанавливаете 'MALags'
аргумент пары "имя-значение" MALags
, следующие условия применяются.
Длины MA
и MALags
должно быть равным.
MA {
коэффициент задержки j
}MALags (
, для всего j
)
в j
MALags
.
По умолчанию, MA {
= j
}NaN
для всего
в j
MALags
.
В противном случае, MA
пусто, и модель не содержит несезонный полином MA.
Коэффициенты в MA
соответствуйте коэффициентам в базовом LagOp
изолируйте полином оператора, и подвергаются тесту исключения почти неприятия. Если вы устанавливаете коэффициент на 1e–12
или ниже, arima
исключает тот коэффициент и его соответствующую задержку в MALags
из модели.
Пример: 0.8
Пример: {NaN –0.1}
Типы данных: cell
SMA
— Сезонные коэффициенты полинома MAСезонные коэффициенты полинома MA в виде вектора ячейки. Ячейки содержат числовые скаляры или NaN
значения. Полностью заданный сезонный полином MA должен быть обратимым.
Если вы устанавливаете 'SMALags'
аргумент пары "имя-значение" SMALags
, следующие условия применяются.
Длины SMA
и SMALags
должно быть равным.
SMA {
коэффициент задержки j
}SMALags (
, для всего j
)
в j
SMALags
.
По умолчанию, SMA {
= j
}NaN
для всего
в j
SMALags
.
В противном случае, SMA
пусто, и модель не содержит сезонный полином MA.
Коэффициенты в SMA
соответствуйте коэффициентам в базовом LagOp
изолируйте полином оператора, и подвергаются тесту исключения почти неприятия. Если вы устанавливаете коэффициент на 1e–12
или ниже, arima
исключает тот коэффициент и его соответствующую задержку в SMALags
из модели.
Пример: {0.2 0.1}
Пример: {NaN 0 0 NaN}
Типы данных: cell
D
— Степень несезонного интегрирования
(значение по умолчанию) | неотрицательное целое числоСтепень несезонного интегрирования или степень несезонного полинома дифференцирования в виде неотрицательного целого числа.
Пример 1
Типы данных: double
Seasonality
— Степень сезонного полинома дифференцирования
(значение по умолчанию) | неотрицательное целое числоСтепень сезонного полинома дифференцирования s в виде неотрицательного целого числа.
Пример: 12
задает ежемесячную периодичность.
Типы данных: double
Beta
— Коэффициенты компонента регрессииКоэффициенты компонента регрессии условного среднего значения в виде числового вектора.
Если вы планируете оценить все элементы Beta
, вы не должны задавать его. Во время оценки, estimate
выводит размер Beta
от количества столбцов заданных внешних данных X
.
Пример: [0.5 NaN 3]
Типы данных: double
Variance
— Инновационное отклонение моделиNaN
(значение по умолчанию) | положительная скалярная величина | поддерживаемый условный объект модели отклоненияИнновационное отклонение модели в виде положительной скалярной величины или поддерживаемого условного объекта модели отклонения (например, garch
). Для всех поддерживаемых условных моделей отклонения см. Условные Модели Отклонения.
Положительная скалярная величина или NaN
задает гомоскедастичную модель. Условный объект модели отклонения задает составное условное среднее значение и модель отклонения. estimate
приспосабливает все неизвестные, допускающие оценку параметры в составе.
Пример 1
Пример: garch(1,0)
Типы данных: double
estimate | Подбирайте авторегрессивную интегрированную модель (ARIMA) скользящего среднего значения к данным |
summarize | Отобразите результаты оценки модели ARIMA |
infer | Выведите остаточные значения модели ARIMA или ARIMAX или условные отклонения |
filter | Отфильтруйте воздействия с помощью модели ARIMA или ARIMAX |
impulse | Сгенерируйте одномерную авторегрессивную интегрированную функцию импульсной характеристики (IRF) модели (ARIMA) скользящего среднего значения |
simulate | Симуляция Монте-Карло моделей ARIMA или ARIMAX |
forecast | Предскажите одномерные авторегрессивные интегрированные ответы модели (ARIMA) скользящего среднего значения или условные отклонения |
Создайте модель ARIMA по умолчанию при помощи arima
.
Mdl = arima
Mdl = arima with properties: Description: "ARIMA(0,0,0) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 0 D: 0 Q: 0 Constant: NaN AR: {} SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Mdl
arima
объект. Свойства модели появляются в командной строке.
Модель по умолчанию
,
где неизвестная константа и серия iid Гауссовых случайных переменных со средним значением 0 и отклонением .
Mdl
шаблон модели для оценки. Можно изменить значения свойств при помощи записи через точку или подбирать модель к данным при помощи estimate
, но вы не можете передать Mdl
к любой другой объектной функции.
Создайте модель ARIMA (2,1,1), представленную этим уравнением:
где серия iid Гауссовых случайных переменных. Используйте рукописный синтаксис, чтобы задать значения параметров в уравнении, написанном в обозначении разностного уравнения:
Mdl = arima('ARLags',2,'AR',-0.5,'D',1,'MA',-0.2,... 'Constant',3.1)
Mdl = arima with properties: Description: "ARIMA(2,1,1) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 3 D: 1 Q: 1 Constant: 3.1 AR: {-0.5} at lag [2] SAR: {} MA: {-0.2} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Mdl
полностью заданный arima
возразите, потому что все его параметры известны. Можно передать Mdl
к любому arima
возразите функции кроме estimate
. Например, постройте функцию импульсной характеристики модели в течение 24 периодов при помощи impulse
.
impulse(Mdl,24)
Создайте модель AR (1), представленную этим уравнением:
где серия iid Гауссовых случайных переменных со средним значением 0 и отклонением 0.5. Используйте краткий синтаксис, чтобы задать шаблон модели AR (1), затем использовать запись через точку, чтобы установить Constant
и Variance
свойства.
Mdl = arima(1,0,0); Mdl.Constant = 1; Mdl.Variance = 0.5; Mdl
Mdl = arima with properties: Description: "ARIMA(1,0,0) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 D: 0 Q: 0 Constant: 1 AR: {NaN} at lag [1] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.5
Mdl
частично заданный arima
объект. Можно изменить значения свойств при помощи записи через точку или соответствовать неизвестному коэффициенту к данным при помощи estimate
, но вы не можете передать Mdl
к любой другой объектной функции.
Создайте модель ARIMA (3,1,2), представленную этим уравнением:
,
где серия iid Гауссовых случайных переменных со средним значением 0 и отклонением .
Поскольку модель содержит только несезонные полиномы, используйте краткий синтаксис.
Mdl = arima(3,1,2)
Mdl = arima with properties: Description: "ARIMA(3,1,2) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 4 D: 1 Q: 2 Constant: NaN AR: {NaN NaN NaN} at lags [1 2 3] SAR: {} MA: {NaN NaN} at lags [1 2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Свойство P
равно + = 4 NaN
- ценные элементы указывают на допускающие оценку параметры.
Чтобы включать аддитивные сезонные задержки, задайте задержки, совпадающие с соответствующей периодичностью. Например, создайте аддитивную ежемесячную модель MA (12), представленную в этом уравнении:
где серия iid Гауссовых случайных переменных со средним значением 0 и отклонением .
Mdl = arima('Constant',0,'MALags',[1 12])
Mdl = arima with properties: Description: "ARIMA(0,0,12) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 0 D: 0 Q: 12 Constant: 0 AR: {} SAR: {} MA: {NaN NaN} at lags [1 12] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Создайте SARIMA модель (мультипликативный, ежемесячный шаблон модели MA с одной степенью сезонного и несезонного интегрирования) представленный этим уравнением:
где серия iid Гауссовых случайных переменных со средним значением 0 и отклонением .
Mdl = arima('Constant',0,'D',1,'Seasonality',12,... 'MALags',1,'SMALags',12)
Mdl = arima with properties: Description: "ARIMA(0,1,1) Model Seasonally Integrated with Seasonal MA(12) (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 13 D: 1 Q: 13 Constant: 0 AR: {} SAR: {} MA: {NaN} at lag [1] SMA: {NaN} at lag [12] Seasonality: 12 Beta: [1×0] Variance: NaN
Создайте модель AR (3), представленную этим уравнением:
где серия iid Гауссовых случайных переменных со средним значением 0 и отклонением 0.01.
Mdl = arima('Constant',0.05,'AR',{0.6,0.2,-0.1},'Variance',0.01)
Mdl = arima with properties: Description: "ARIMA(3,0,0) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 3 D: 0 Q: 0 Constant: 0.05 AR: {0.6 0.2 -0.1} at lags [1 2 3] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.01
Добавьте несезонный термин MA в задержке 2 с коэффициентом 0.2
. Затем отобразите MA
свойство.
Mdl.MA = {0 0.2}
Mdl = arima with properties: Description: "ARIMA(3,0,2) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 3 D: 0 Q: 2 Constant: 0.05 AR: {0.6 0.2 -0.1} at lags [1 2 3] SAR: {} MA: {0.2} at lag [2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.01
Mdl.MA
ans=1×2 cell array
{[0]} {[0.2000]}
В отображении модели, lags
указывает на задержки, к которым сопоставлены соответствующие коэффициенты. Несмотря на то, что MATLAB® удаляет коэффициенты с нулевым знаком из отображения, свойства, хранящие коэффициенты, сохраняют их.
Измените константу модели в 1
.
Mdl.Constant = 1
Mdl = arima with properties: Description: "ARIMA(3,0,2) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 3 D: 0 Q: 2 Constant: 1 AR: {0.6 0.2 -0.1} at lags [1 2 3] SAR: {} MA: {0.2} at lag [2] SMA: {} Seasonality: 0 Beta: [1×0] Variance: 0.01
Создайте шаблон модели AR (1) и задайте iid - распределенные инновации с неизвестными степенями свободы. Используйте рукописный синтаксис.
Mdl = arima('ARLags',1,'Distribution',"t")
Mdl = arima with properties: Description: "ARIMA(1,0,0) Model (t Distribution)" Distribution: Name = "t", DoF = NaN P: 1 D: 0 Q: 0 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Степени свободы DoF
isnan
, который указывает, что степени свободы являются допускающими оценку.
Создайте полностью заданную модель AR (1), представленную этим уравнением:
где iid серия - распределенные случайные переменные с 10 степенями свободы. Используйте рукописный синтаксис.
innovdist = struct('Name',"t",'DoF',10); Mdl = arima('Constant',0,'AR',{0.6},... 'Distribution',innovdist)
Mdl = arima with properties: Description: "ARIMA(1,0,0) Model (t Distribution)" Distribution: Name = "t", DoF = 10 P: 1 D: 0 Q: 0 Constant: 0 AR: {0.6} at lag [1] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Создайте ARMA (1,1) условная средняя модель, содержащая ДУГУ (1) условная модель отклонения, представленная этими уравнениями:
Создайте ARMA (1,1) условный средний шаблон модели при помощи краткого синтаксиса.
Mdl = arima(1,0,1)
Mdl = arima with properties: Description: "ARIMA(1,0,1) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 D: 0 Q: 1 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
Variance
свойство Mdl
isnan
, что означает, что отклонение модели является неизвестной константой.
Создайте ДУГУ (1) условный шаблон модели отклонения при помощи краткого синтаксиса garch
.
CondVarMdl = garch(0,1)
CondVarMdl = garch with properties: Description: "GARCH(0,1) Conditional Variance Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 0 Q: 1 Constant: NaN GARCH: {} ARCH: {NaN} at lag [1] Offset: 0
Создайте составное условное среднее значение и шаблон модели отклонения путем установки Variance
свойство Mdl
к CondVarMdl
использование записи через точку.
Mdl.Variance = CondVarMdl
Mdl = arima with properties: Description: "ARIMA(1,0,1) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 D: 0 Q: 1 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: [GARCH(0,1) Model]
Весь NaN
- свойства, передаваемые по значению, условного среднего значения и моделей отклонения являются допускающими оценку.
Создайте модель ARMAX(1,2) для предсказания изменений в частных потребительских расходах США на основе изменений в заплаченной компенсации сотрудников.
Загрузите США макроэкономический набор данных.
load Data_USEconModel
DataTable
расписание MATLAB®, содержащее ежеквартальные макроэкономические измерения от 1947:Q1 до 2009:Q1. PCEC
ряд частных потребительских расходов и COE
заплаченная компенсация ряда сотрудников. Обе переменные находятся на уровнях. Для получения дополнительной информации о данных введите Description
в командной строке.
Ряды являются неустановившимися. Чтобы избежать побочной регрессии, стабилизируйте переменные путем преобразования уровней в возвраты с помощью price2ret
. Вычислите объем выборки.
pcecret = price2ret(DataTable.PCEC); coeret = price2ret(DataTable.COE); T = numel(pcecret);
Поскольку преобразование от уровней до возвратов включает применение первого различия, преобразование уменьшает общий объем выборки одним наблюдением.
Создайте шаблон модели ARMA(1,2) с помощью краткого синтаксиса.
Mdl = arima(1,0,2);
Внешний компонент вводит модель во время оценки. Поэтому вы не должны устанавливать Beta
свойство Mdl
к NaN
так, чтобы estimate
подбирает модель к данным другими параметрами.
ARMA (1,2) инициализация процесса требует Mdl.P
= 1 наблюдение. Поэтому преддемонстрационный период является первым моментом времени в данных (первая строка), и выборка оценки является остальной частью данных. Задайте переменные, идентифицирующие периоды предварительной выборки и оценки.
idxpre = Mdl.P; idxest = (Mdl.P + 1):T;
Подбирайте модель к данным. Задайте предварительную выборку при помощи 'Y0'
аргумент пары "имя-значение", и задает внешние данные при помощи 'X'
аргумент пары "имя-значение".
EstMdl = estimate(Mdl,pcecret(idxest),'Y0',pcecret(idxpre),... 'X',coeret(idxest));
ARIMAX(1,0,2) Model (Gaussian Distribution): Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant 0.0091866 0.001269 7.239 4.5203e-13 AR{1} -0.13506 0.081986 -1.6474 0.099479 MA{1} -0.090445 0.082052 -1.1023 0.27033 MA{2} 0.29671 0.064589 4.5939 4.3505e-06 Beta(1) 0.5831 0.048884 11.928 8.4534e-33 Variance 5.305e-05 3.1387e-06 16.902 4.358e-64
Все оценки, кроме коэффициента задержки 1 мА, являются значительными на 0,1 уровнях.
Отобразите EstMdl
.
EstMdl
EstMdl = arima with properties: Description: "ARIMAX(1,0,2) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 D: 0 Q: 2 Constant: 0.00918661 AR: {-0.135063} at lag [1] SAR: {} MA: {-0.0904454 0.296714} at lags [1 2] SMA: {} Seasonality: 0 Beta: [0.583095] Variance: 5.30503e-05
Как Mdl
, EstMdl
arima
объект модели, представляющий ARMA (1,2) процесс. В отличие от Mdl
, EstMdl
полностью задан, потому что это подходящее к данным и EstMdl
содержит внешний компонент, таким образом, это - модель ARMAX(1,2).
Создайте arima
объект модели для случайного обхода представлял в этом уравнении:
где серия iid Гауссовых случайных переменных со средним значением 0 и отклонением 1.
Mdl = arima(0,1,0); Mdl.Constant = 0; Mdl.Variance = 1; Mdl
Mdl = arima with properties: Description: "ARIMA(0,1,0) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 D: 1 Q: 0 Constant: 0 AR: {} SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: 1
Mdl
полностью заданный arima
объект модели.
Симулируйте и постройте 1 000 путей длины 100 от случайного обхода.
rng(1) % For reproducibility Y = simulate(Mdl,100,'NumPaths',1000); plot(Y) title('Simulated Paths from Random Walk Process')
Предскажите NASDAQ ежедневные цены закрытия по 500-дневному горизонту.
Загрузите набор данных фондовых индексов США.
load Data_EquityIdx
Набор данных содержит ежедневные цены закрытия NASDAQ от 1 990 до 2001. Для получения дополнительной информации введите Description
в командной строке.
Примите, что модель ARIMA (1,1,1) подходит для описания первых 1 500 цен закрытия NASDAQ. Создайте шаблон модели ARIMA (1,1,1).
Mdl = arima(1,1,1);
estimate
требует предварительной выборки размера Mdl.P
= 2.
Подбирайте модель к данным. Задайте первые два наблюдения как предварительную выборку.
idxpre = 1:Mdl.P; idxest = (Mdl.P + 1):1500; EstMdl = estimate(Mdl,DataTable.NASDAQ(idxest),... 'Y0',DataTable.NASDAQ(idxpre));
ARIMA(1,1,1) Model (Gaussian Distribution): Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant 0.43291 0.18607 2.3265 0.019989 AR{1} -0.076322 0.082045 -0.93025 0.35224 MA{1} 0.31312 0.077284 4.0516 5.0879e-05 Variance 27.86 0.63785 43.678 0
Предскажите заключительные значения в 500-дневный горизонт путем передачи предполагаемой модели forecast
. Чтобы инициализировать модель для прогнозирования, задайте последние два наблюдения в данных об оценке как предварительная выборка.
yf0 = DataTable.NASDAQ(idxest(end - 1:end)); yf = forecast(EstMdl,500,yf0);
Постройте первые 2 000 наблюдений и прогнозы.
dates = datetime(dates,'ConvertFrom',"datenum",... 'Format',"yyyy-MM-dd"); figure h1 = plot(dates(1:2000),DataTable.NASDAQ(1:2000)); hold on h2 = plot(dates(1501:2000),yf,'r'); legend([h1 h2],"Observed","Forecasted",... 'Location',"NorthWest") title("NASDAQ Composite Index: 1990-01-02 – 1997-11-25") xlabel("Time (days)") ylabel("Closing Price") hold off
После запуска 1 995, прогнозы модели почти всегда недооценивают истинные цены закрытия.
Оператор задержки L задан как Отстаньте операторы уплотняют полиномиальное обозначение.
Линейная модель временных рядов для процесса ответа yt и случайные инновации, εt является стохастическим процессом, в котором текущий ответ является линейной функцией предыдущих ответов, текущих и предыдущих инноваций и внешних ковариантов xt. В обозначении разностного уравнения общая форма линейной модели временных рядов:
Учитывая w и v, все коэффициенты являются допускающими оценку.
Описанный в обозначении оператора задержки, общая форма модели:
Полиномы оператора задержки в модели часто описываются как продукты полиномов для несезонных и мультипликативных сезонных эффектов и интегрирования:
Компонент модели | Описание | arima Свойство |
---|---|---|
p - степень устойчивый несезонный полином AR. |
| |
D | Степень несезонного интегрирования | D |
ps - степень устойчивый, мультипликативный сезонный полином AR. |
| |
s | Сезонность или степень сезонного полинома дифференцирования |
|
Ds | Степень сезонного интегрирования | Никакое соответствующее свойство, но:
|
c | Константа модели | Constant |
β | Коэффициент регрессии внешних ковариантов | Beta |
q - степень обратимый несезонный полином MA. | MA хранит коэффициенты; индексы соответствуют экспонентам задержки. | |
qs - степень обратимый, мультипликативный сезонный полином MA. | SMA хранит коэффициенты; индексы соответствуют экспонентам задержки. | |
εt | Серия случайных iid инноваций | Distribution хранит имя распределения и любые параметры. |
Свойство P
модели равно p + D + ps + s.
Свойство Q
модели равно q + qs.
Примечание
Степени операторов задержки в сезонных полиномах Φ (L) и Θ (L) не соответствуют степеням, заданным Боксом и Дженкинсом [1]. Другими словами, Econometrics Toolbox™ не обрабатывает p 1 = s, p 2 = 2s..., ps = rps и q 1 = s, q 2 = 2s..., qs = rqs, где rp и rq являются положительными целыми числами. Программное обеспечение гибко, позволяя вам задать степени оператора задержки. См. Мультипликативные Технические требования Модели ARIMA.
yt стохастического процесса является stationary, если его ожидаемое значение, отклонение и ковариация между элементами ряда независимы от времени.
Например, модель MA (q), с c = 0, является стационарной для любого потому что каждое следующее свободно от t, навсегда указывает [1].
Временные ряды модульный корневой процесс, если его ожидаемое значение, отклонение или ковариация растут со временем. Следовательно, временные ряды являются неустановившимися.
[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.
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.