Суперклассы:
Создайте модель регрессии с ошибками временных рядов ARIMA
regARIMA
создает модель регрессии с ошибками временных рядов ARIMA обеспечить интерпретацию чувствительности коэффициентов регрессии. Чтобы создать модель ARIMA, содержащую компонент линейной регрессии для внешних предикторов (ARIMAX), смотрите arima
.
По умолчанию ошибки временных рядов (также названный безусловными воздействиями) независимы, тождественно распределенные, означают 0 Гауссовых случайных переменных. Если ошибки имеют структуру автокорреляции, то можно задать модели для них. Модели включают:
скользящее среднее значение (MA)
авторегрессивный (AR)
смешанное авторегрессивное и скользящее среднее значение (ARMA)
интегрированный (ARIMA)
мультипликативный сезонный (SARIMA)
Задайте ошибочные модели, содержащие известные коэффициенты к:
создает модель регрессии со степенью 0 ошибок ARIMA и никакой коэффициент регрессии.Mdl
= regARIMA
создает модель регрессии с ошибками, смоделированными несезонными, линейными временными рядами с авторегрессивной степенью Mdl
= regARIMA(p
,D
,q
)p
, степень дифференцирования D
, и степень скользящего среднего значения q
.
создает модель регрессии с дополнительными опциями ошибок ARIMA, заданными одним или несколькими Mdl
= regARIMA(Name,Value
)Name,Value
парные аргументы. Name
может также быть имя свойства и Value
соответствующее значение. Name
должен появиться в одинарных кавычках (''
). Можно задать несколько Name,Value
парные аргументы в любом порядке как Name1,Value1,...,NameN,ValueN
.
Примечание
Для моделей регрессии с несезонными ошибками ARIMA используйте p
D
, и q
. Для моделей регрессии с сезонными ошибками ARIMA используйте Name,Value
парные аргументы.
|
Несезонная, авторегрессивная полиномиальная степень для ошибочной модели в виде положительного целого числа. |
|
Несезонная степень интегрирования для ошибочной модели в виде неотрицательного целого числа. |
|
Несезонная степень полинома скользящего среднего значения для ошибочной модели в виде положительного целого числа. |
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
.
|
Модель Regression прерывает в виде разделенной запятой пары, состоящей из Значение по умолчанию: | |||||||||||||
|
Коэффициенты модели регрессии, сопоставленные с данными о предикторе в виде разделенной запятой пары, состоящей из Значение по умолчанию: | |||||||||||||
|
Несезонные, авторегрессивные коэффициенты для ошибочной модели в виде разделенной запятой пары, состоящей из
Коэффициенты в Значение по умолчанию: вектор Ячейки из | |||||||||||||
|
Несезонные коэффициенты скользящего среднего значения для ошибочной модели в виде разделенной запятой пары, состоящей из
Значение по умолчанию: вектор Ячейки из | |||||||||||||
|
Задержки сопоставлены с Значение по умолчанию: Вектор из целых чисел 1,2..., p, несезонная, авторегрессивная полиномиальная степень. | |||||||||||||
|
Задержки сопоставлены с Значение по умолчанию: Вектор из целых чисел 1,2..., q, несезонная степень полинома скользящего среднего значения. | |||||||||||||
|
Сезонные, авторегрессивные коэффициенты для ошибочной модели в виде разделенной запятой пары, состоящей из
Коэффициенты в Значение по умолчанию: вектор Ячейки из | |||||||||||||
|
Сезонные коэффициенты скользящего среднего значения для ошибочной модели в виде разделенной запятой пары, состоящей из
Коэффициенты в Значение по умолчанию: вектор Ячейки из | |||||||||||||
|
Задержки сопоставлены с Значение по умолчанию: Вектор из целых чисел 1,2..., ps, сезонная, авторегрессивная полиномиальная степень. | |||||||||||||
|
Задержки сопоставлены с Значение по умолчанию: Вектор из целых чисел 1,2..., qs, сезонная степень полинома скользящего среднего значения. | |||||||||||||
|
Несезонная степень полинома дифференцирования (т.е. несезонная степень интегрирования) для ошибочной модели в виде разделенной запятой пары, состоящей из Значение по умолчанию: | |||||||||||||
|
Сезонная степень полинома дифференцирования для ошибочной модели в виде разделенной запятой пары, состоящей из Значение по умолчанию: | |||||||||||||
|
Отклонение инноваций модели εt в виде разделенной запятой пары, состоящей из Значение по умолчанию: | |||||||||||||
|
Распределение условной вероятности инновационного процесса в виде разделенной запятой пары, состоящей из
Значение по умолчанию: | |||||||||||||
|
Строковый скаляр или вектор символов, описывающий модель. По умолчанию этот аргумент описывает параметрическую форму модели, например, |
Примечание
Задайте задержки, сопоставленные сезонными полиномами SAR
и SMA
в периодичности наблюдаемых данных, и не как множители Seasonality
параметр. Это соглашение не соответствует стандартному Полю и Дженкинсу [1] обозначение, но это - более гибкий подход для слияния мультипликативной сезонности.
|
Вектор ячейки из несезонных, авторегрессивных коэффициентов, соответствующих устойчивому полиному ошибочной модели. Связанные задержки 1,2..., p, который является несезонной, авторегрессивной полиномиальной степенью, или, как задано в |
|
Вектор действительных чисел коэффициентов регрессии, соответствующих столбцам матрицы данных предиктора. |
|
Неотрицательное целое число, указывающее на несезонную степень интегрирования ошибочной модели. |
| Строковый скаляр для описания модели. |
|
Структура данных для распределения условной вероятности инновационного процесса. Поле |
|
Скалярная точка пересечения в ошибочной модели. |
|
Вектор ячейки из несезонных коэффициентов скользящего среднего значения, соответствующих обратимому полиному ошибочной модели. Связанные задержки 1,2..., q до степени несезонного полинома скользящего среднего значения, или, как задано в |
|
Скаляр, соедините авторегрессивную полиномиальную степень ошибочной модели.
|
|
Скаляр, составная степень полинома скользящего среднего значения ошибочной модели.
|
|
Вектор ячейки из сезонных авторегрессивных коэффициентов, соответствующих устойчивому полиному ошибочной модели. Связанные задержки 1,2..., ps, который является сезонной авторегрессивной полиномиальной степенью, или, как задано в |
|
Вектор ячейки из сезонных коэффициентов скользящего среднего значения, соответствующих обратимому полиному ошибочной модели. Связанные задержки 1,2..., qs, который является сезонной степенью полинома скользящего среднего значения, или, как задано в |
|
Неотрицательное целое число, указывающее на сезонную степень полинома дифференцирования для ошибочной модели. |
|
Отклонение положительной скалярной величины инноваций модели. |
arima | Преобразуйте модель регрессии с ошибками ARIMA к модели ARIMAX |
оценка | Оцените параметры моделей регрессии с ошибками ARIMA |
фильтр | Пропустите воздействия через модель регрессии с ошибками ARIMA |
прогноз | Предскажите ответы модели регрессии с ошибками ARIMA |
импульс | Импульсная характеристика модели регрессии с ошибками ARIMA |
вывести | Выведите инновации моделей регрессии с ошибками ARIMA |
печать | (Чтобы быть удаленным), Отображают результаты оценки для моделей регрессии с ошибками ARIMA |
симулировать | Симуляция Монте-Карло модели регрессии с ошибками ARIMA |
подвести итог | Отобразите результаты оценки модели регрессии с ошибками ARIMA |
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел "Копирование объектов".
[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.