Задайте ошибочное инновационное распределение модели ARIMA

Об инновационном процессе

Модель регрессии с ошибками ARIMA имеет следующую общую форму:

\begin{matrix} y_{t} = c + X_{t} β + u_{t} \\ a (L) A (L) {(1 - L)}^{D} (1 - L^{s}) u_{t} = b (L) B (L) ε_{t}, \end{matrix}

(1)

где

t = 1..., T.
_yt является рядом ответа.
_Xt является строкой t X, который является матрицей конкатенированных векторов данных предиктора. Таким образом, _Xt является наблюдением t каждого ряда предиктора.
c является точкой пересечения модели регрессии.
β является коэффициентом регрессии.
_ut является рядом воздействия.
_εt является инновационным рядом.
$L^{j} y_{t} = y_{t - j} .$
$a (L) = (1 - a_{1} L - ... - a_{p} L^{p}),$ который является степенью p, несезонный авторегрессивный полином.
$A (L) = (1 - A_{1} L - ... - A_{p_{s}} L^{p_{s}}),$ который является степенью _ps, сезонный авторегрессивный полином.
${(1 - L)}^{D},$ который является степенью D, несезонный полином интегрирования.
$(1 - L^{s}),$ который является степенью s, сезонный полином интегрирования.
$b (L) = (1 + b_{1} L + ... + b_{q} L^{q}),$ который является степенью q, несезонный полином скользящего среднего значения.
$B (L) = (1 + B_{1} L + ... + B_{q_{s}} L^{q_{s}}),$ который является степенью _qs, сезонный полином скользящего среднего значения.

Предположим, что безусловный ряд воздействия (_ut) является стационарными стохастическими процессами. Затем можно описать второе уравнение в уравнении 1 как

$u_{t} = a^{- 1} (L) A^{- 1} (L) {(1 - L)}^{- D} {(1 - L^{s})}^{- 1} b (L) B (L) ε_{t} = Ψ (L) ε_{t},$

где Ψ (L) является бесконечным полиномом оператора задержки степени [2].

Инновационный процесс (_εt) является независимым политиком и тождественно распределенный (iid), означайте 0 процессов с известным распределением. Econometrics Toolbox™ обобщает инновационный процесс к _εt = _σzt, где _zt является серией iid случайных переменных со средним значением 0 и отклонением 1, и σ ² является постоянным отклонением _εt.

regARIMA модели содержат два свойства, которые описывают распределение _εt:

Variance хранилища σ ².
Distribution хранит параметрическую форму _zt.

Инновационные опции распределения

Значение по умолчанию Variance isnan, подразумевать, что инновационное отклонение неизвестно. Можно присвоить положительную скалярную величину Variance когда вы задаете модель с помощью аргумента пары "имя-значение" 'Variance',sigma2 (где sigma2 = σ ²⁾, или путем изменения существующей модели с помощью записи через точку. В качестве альтернативы можно оценить Variance использование estimate.
Можно задать следующие распределения для _zt (использующий аргументы пары "имя-значение" или запись через точку):
- Гауссов стандарт
- t стандартизированного Студента со степенями свободы ν> 2. А именно,
  
  $z_{t} = T_{ν} \sqrt{\frac{ν - 2}{ν}},$
  где _Tν является распределением t Студента со степенями свободы ν> 2.
Распределение t полезно для моделирования инноваций, которые более экстремальны, чем ожидалось при Распределении Гаусса. Такие инновационные процессы имеют excess kurtosis, более остроконечное (или более тяжелый выследил), распределение, чем Гауссово. Обратите внимание на то, что для ν> 4, эксцесс (четвертый центральный момент) _Tν совпадает с эксцессом t Стандартизированного Студента (_zt), т.е. для случайной переменной t, эксцесс инвариантен к масштабу.
Совет
Это - хорошая практика, чтобы оценить дистрибутивные свойства остаточных значений определить, подходит ли Гауссово инновационное распределение (распределение по умолчанию) для вашей модели.

Задайте инновационное распределение

Скрипт Open Live Script

regARIMA хранит распределение (и степени свободы для t распределения) в Distribution свойство. Тип данных Distribution struct массив с потенциально двумя полями: Name и DoF.

Если инновации являются Гауссовыми, то Name полем является Gaussian, и нет никакого DoF поле . regARIMA наборы Distribution к Gaussian по умолчанию.
Если инновациями является t-distributed, то Name полем является t и DoF полем является NaN по умолчанию, или можно задать скаляр, который больше 2.

Чтобы проиллюстрировать определение распределения, рассмотрите эту модель регрессии с AR (2) ошибки:

$\begin{array}{rcl} y_{t} & = & c + X_{t} β + u_{t} \\ u_{t} & = & α_{1} u_{t - 1} + α_{2} u_{t - 2} + ε_{t} \end{array}$

Mdl = regARIMA(2,0,0);
Mdl.Distribution

ans = struct with fields:
    Name: "Gaussian"

По умолчанию, Distribution свойство Mdl struct массив с полем Name наличие значения Gaussian.

Если вы хотите задать t инновационное распределение, то можно или задать модель с помощью аргумента пары "имя-значение" 'Distribution','t', или используйте запись через точку, чтобы изменить существующую модель.

Задайте модель с помощью аргумента пары "имя-значение".

Mdl = regARIMA('ARLags',1:2,'Distribution','t');
Mdl.Distribution

ans = struct with fields:
    Name: "t"
     DoF: NaN

Если вы используете аргумент пары "имя-значение", чтобы задать t инновационное распределение, то степенями свободы по умолчанию является NaN.

Можно использовать запись через точку, чтобы привести к тому же результату.

Mdl = regARIMA(2,0,0);
Mdl.Distribution = 't'

Mdl = 
  regARIMA with properties:

     Description: "ARMA(2,0) Error Model (t Distribution)"
    Distribution: Name = "t", DoF = NaN
       Intercept: NaN
            Beta: [1×0]
               P: 2
               Q: 0
              AR: {NaN NaN} at lags [1 2]
             SAR: {}
              MA: {}
             SMA: {}
        Variance: NaN

Если инновационное распределение $t_{10}$ , затем можно использовать запись через точку, чтобы изменить Distribution свойство существующей модели Mdl. Вы не можете изменить поля Distribution с помощью записи через точку, например, Mdl.Distribution.DoF = 10 не присвоение значения. Однако можно отобразить значение полей с помощью записи через точку.

Mdl.Distribution = struct('Name','t','DoF',10)

Mdl = 
  regARIMA with properties:

     Description: "ARMA(2,0) Error Model (t Distribution)"
    Distribution: Name = "t", DoF = 10
       Intercept: NaN
            Beta: [1×0]
               P: 2
               Q: 0
              AR: {NaN NaN} at lags [1 2]
             SAR: {}
              MA: {}
             SMA: {}
        Variance: NaN

tDistributionDoF = Mdl.Distribution.DoF

tDistributionDoF = 10

Начиная с DoF полем не является NaN, это - ограничение равенства, когда вы оцениваете Mdl использование estimate.

В качестве альтернативы можно задать $t_{10}$ инновационное распределение с помощью аргумента пары "имя-значение".

Mdl = regARIMA('ARLags',1:2,'Intercept',0,...
    'Distribution',struct('Name','t','DoF',10))

Mdl = 
  regARIMA with properties:

     Description: "ARMA(2,0) Error Model (t Distribution)"
    Distribution: Name = "t", DoF = 10
       Intercept: 0
            Beta: [1×0]
               P: 2
               Q: 0
              AR: {NaN NaN} at lags [1 2]
             SAR: {}
              MA: {}
             SMA: {}
        Variance: NaN

Ссылки

[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 & Wiksell, 1938.

Смотрите также

Связанные примеры

Больше о

Модели регрессии с ошибками временных рядов

Документация