Класс: regARIMA
Пропустите воздействия через модель регрессии с ошибками ARIMA
[Y,E,U]
= filter(Mdl,Z)
[Y,E,U]
= filter(Mdl,Z,Name,Value)
[
ошибки фильтров произвести ответы, инновации и безусловные воздействия одномерной модели регрессии с ошибками временных рядов ARIMA.Y
,E
,U
]
= filter(Mdl
,Z
)
[
дополнительные опции ошибок фильтров заданы одним или несколькими Y
,E
,U
]
= filter(Mdl
,Z
,Name,Value
)Name,Value
парные аргументы.
|
Модель Regression с ошибками ARIMA в виде модели, возвращенной Параметры |
|
Ошибки, которые управляют инновационным процессом в виде Как вектор-столбец, |
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
.
|
Преддемонстрационные безусловные воздействия, которые вводят начальные значения для ошибочной модели ARIMA в виде разделенной запятой пары, состоящей из
Значение по умолчанию: |
|
Данные о предикторе в модели регрессии в виде разделенной запятой пары, состоящей из Столбцы Значение по умолчанию: |
|
Преддемонстрационные ошибки при введении начальных значений для входного ошибочного ряда,
Значение по умолчанию: |
Примечания
NaN
s в Z
, U0
X
, и Z0
укажите на отсутствующие значения и filter
удаляет их. Программное обеспечение объединяет преддемонстрационные наборы данных (U0
и Z0
), затем использует мудрое списком удаление, чтобы удалить любой NaN
s. filter
так же удаляет NaN
s от эффективных выборочных данных (Z
и X
). Удаление NaN
s в данных уменьшает объем выборки. Такое удаление может также создать неправильные временные ряды.
Удаление NaN
s в основных данных уменьшает эффективный объем выборки. Такое удаление может также создать неправильные временные ряды.
filter
принимает, что вы синхронизируете преддемонстрационные данные, таким образом, что последнее наблюдение за каждым преддемонстрационным рядом происходит одновременно.
Весь ряд предиктора (т.е. столбцы) в X
сопоставлены с каждым ошибочным рядом в Z
произвести numPaths
серия Y
ответа.
|
Симулированные отклики, возвращенные как |
|
Симулированные, средние 0 инноваций ошибочной модели ARIMA, возвращенной как |
|
Симулированные безусловные воздействия, возвращенные как |
filter
обобщает simulate
. Оба фильтруют серию ошибок произвести ответы (Y
), инновации (E
), и безусловные воздействия (U
). Однако simulate
автоматически генерирует серию среднего нуля, модульного отклонения, независимых и тождественно распределенных (iid) ошибок согласно распределению в Mdl
. В отличие от этого filter
требует, чтобы вы задали свои собственные ошибки, которые могут прибыть из любого распределения.
[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] Дэвидсон, R. и Дж. Г. Маккиннон. Эконометрическая теория и методы. Оксфорд, Великобритания: Издательство Оксфордского университета, 2004.
[3] Enders, W. Прикладные эконометрические временные ряды. Хобокен, NJ: John Wiley & Sons, Inc., 1995.
[4] Гамильтон, J. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.
[5] Pankratz, A. Прогнозирование с моделями динамической регрессии. John Wiley & Sons, Inc., 1991.
[6] Tsay, R. S. Анализ Финансовых Временных рядов. 2-й редактор Хобокен, NJ: John Wiley & Sons, Inc., 2005.