Exponenta Banner
exponenta event banner

подвести итог

Класс: regARIMA

Отображение результатов оценки регрессионной модели с ошибками ARIMA

развернуть все на странице

Синтаксис

суммировать (Mdl)
результаты = суммировать (Mdl)

Описание

пример

summarize(Mdl) отображает сводку регрессионной модели с ошибками ARIMA Mdl.

  • Если Mdl является оценочной моделью, возвращенной estimate, то summarize распечатывает результаты оценки в окне команд MATLAB ®. Дисплей включает в себя сводку оценок и таблицу оценок параметров с соответствующими стандартными ошибками, t статистикой и p-значениями. Резюме оценки включает в себя статистику соответствия, такую как информационный критерий Акайке (AIC), и предполагаемую дисперсию инноваций.

  • Если Mdl является нерасчетной моделью, возвращенной regARIMA, то summarize печать стандартного отображения объекта (то же самое отображение, что regARIMA печать во время создания модели).

пример

results = summarize(Mdl) возвращает одну из следующих переменных и не печатает в окне команд.

  • Если Mdl является оценочной моделью, то results - структура, содержащая результаты оценки.

  • Если Mdl является недооцененной моделью, то results является regARIMA объект модели, равный Mdl.

Входные аргументы

развернуть все

Регрессионная модель с ошибками ARIMA, заданная как regARIMA объект модели, возвращенный estimate или regARIMA.

Выходные аргументы

развернуть все

Сводка модели, возвращаемая в виде массива структуры или regARIMA объект модели.

  • Если Mdl является оценочной моделью, то results является массивом структуры, содержащим поля в этой таблице.

    ОбластьОписание
    DescriptionКраткое описание модели (строка)
    SampleSizeЭффективный размер выборки (числовой скаляр)
    NumEstimatedParametersКоличество оцениваемых параметров (числовой скаляр)
    LogLikelihoodОптимизированное логарифмическое значение (числовой скаляр)
    AICИнформационный критерий Акаике (числовой скаляр)
    BICБайесовский информационный критерий (числовой скаляр)
    Tableоценки максимального правдоподобия параметров модели с соответствующими стандартными ошибками, t статистикой (оценка, деленная на стандартную ошибку) и p-значениями (предполагая нормальность); таблица со строками, соответствующими параметрам модели

  • Если Mdl является недооцененной моделью, то results является regARIMA объект модели, равный Mdl.

Примеры

развернуть все

Открыть сценарий в реальном времени

Регресс валового внутреннего продукта (ВВП) США на индекс потребительских цен США (ИПЦ) с использованием регрессионной модели с ошибками ARMA (1,1) и подведение итогов .

Загрузите набор макроэкономических данных США и выполните предварительную обработку данных. 

load Data_USEconModel;
logGDP = log(DataTable.GDP);
dlogGDP = diff(logGDP);
dCPI = diff(DataTable.CPIAUCSL);

Подгоните модель к данным. 

Mdl = regARIMA('ARLags',1,'MALags',1);
EstMdl = estimate(Mdl,dlogGDP,'X',dCPI,'Display','off');

Просмотрите оценки. 

summarize(EstMdl)
 
   ARMA(1,1) Error Model (Gaussian Distribution)
 
    Effective Sample Size: 248
    Number of Estimated Parameters: 5
    LogLikelihood: 798.406
    AIC: -1586.81
    BIC: -1569.24
 
                   Value       StandardError    TStatistic      PValue  
                 __________    _____________    __________    __________

    Intercept      0.014776      0.0014627        10.102      5.4241e-24
    AR{1}           0.60527        0.08929        6.7787      1.2124e-11
    MA{1}          -0.16165        0.10956       -1.4755         0.14009
    Beta(1)        0.002044     0.00070616        2.8946       0.0037969
    Variance     9.3578e-05     6.0314e-06        15.515      2.7338e-54
Открыть сценарий в реальном времени

Оцените несколько моделей, передав данные в estimate. Варьируйте авторегрессивные и скользящие средние градусы p и q соответственно. Результаты оценки содержат AIC, который можно извлечь, а затем сравнить между моделями.

Смоделировать данные ответа и предиктора для регрессионной модели с ошибками ARMA:

yt = 2 + Xt [-21.5] + utut = 0 .75ut-1-0.5ut-2 + αt + 0 .7αt-1,

где αt - гауссов со средним значением 0 и дисперсией 1. 

Mdl0 = regARIMA('Intercept',2,'Beta',[-2; 1.5],...
    'AR',{0.75, -0.5},'MA',0.7,'Variance',1);

rng(2);            % For reproducibility
X = randn(1000,2); % Predictors
y = simulate(Mdl0,1000,'X',X);

Чтобы определить количество задержек AR и MA, создайте и оцените несколько регрессионных моделей с ошибками ARMA (p, q). Варьировать p = 1,.., 3 и q = 1,..., 3 среди моделей. Подавление всех экранов оценки. Извлеките AIC из структуры результатов оценки. ОбластьAIC сохраняет AIC. 

pMax = 3;
qMax = 3;
AIC = zeros(pMax,qMax); % Preallocation

for p = 1:pMax
    for q = 1:qMax
        Mdl = regARIMA(p,0,q);
        EstMdl = estimate(Mdl,y,'X',X,'Display','off');
        results = summarize(EstMdl);
        AIC(p,q) = results.AIC;
    end
end

Сравните значения AIC между моделями.

minAIC = min(min(AIC))
minAIC = 2.9280e+03

[bestP,bestQ] = find(AIC == minAIC)
bestP = 2

bestQ = 1

Наиболее подходящей моделью является регрессионная модель с ошибками AR (2,1), поскольку соответствующая AIC является самой низкой. Эта модель также имеет структуру модели, используемой для моделирования данных.

См. также

Объекты

Функции

Представлен в R2018a

Документация по инструментарию Econometrics

Поддержка