Exponenta Banner

summarize

Класс: regARIMA

Отобразите результаты оценки регрессионной модели с ошибками ARIMA

развернуть все на странице

Синтаксис

summarize(Mdl)
results = summarize(Mdl)

Описание

пример

summarize(Mdl) отображает сводные данные регрессионной модели с ошибками ARIMA Mdl.

  • Если Mdl - предполагаемая модель, возвращенная estimate, затем summarize печатает результаты оценки в MATLAB® Командное окно. Отображение включает сводные данные оценок и таблицу оценок параметров с соответствующими стандартными ошибками, статистику t и p-значения. Сводные данные оценок включают статистику подгонки, такую как информационный критерий Акайке (AIC) и предполагаемое отклонение инноваций.

  • Если Mdl - неэстимулированная модель, возвращаемая regARIMA, затем summarize печатает стандартное отображение объектов (то же отображение, что и regARIMA принты во время создания модели).

пример

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

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

  • Если Mdl является недооцененной моделью, тогда results является regARIMA объект модели, который равен Mdl.

Входные параметры

расширить все

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

Выходные аргументы

расширить все

Модель сводных данных, возвращенная как массив структур или regARIMA объект модели.

  • Если Mdl является оценочной моделью, затем results - массив структур, содержащий поля в этой таблице.

    ОбластьОписание
    DescriptionКраткое описание модели (строка)
    SampleSizeЭффективный размер выборки (числовой скаляр)
    NumEstimatedParametersКоличество предполагаемых параметров (числовой скаляр)
    LogLikelihoodОптимизированное значение логарифмической правдоподобности (числовой скаляр)
    AICИнформационный критерий Акайке (числовой скаляр)
    BICБайесовский информационный критерий (числовой скаляр)
    TableМаксимальные оценки правдоподобия параметров модели с соответствующими стандартными ошибками, t статистика (оценка, разделенная на стандартную ошибку) и p-значения (с учетом нормальности); таблица со строками, соответствующими параметрам модели

  • Если Mdl является недооцененной моделью, тогда results является regARIMA объект модели, который равен Mdl.

Примеры

расширить все

Открыть Live Script

Регрессируйте валовой внутренний продукт (ВВП) США в индекс потребительских цен (ИПЦ) США, используя регрессионую модель с ошибками ARMA (1,1), и результирующие результаты .

Загрузите набор макроэкономических данных США и предварительно обработайте данные. 

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

Подбор модели к данным. 

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

Отобразите 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 Live Script

Оцените несколько моделей путем передачи данных в estimate. Варьируйте авторегрессивное и скользящее среднее степени p и q, соответственно. Результаты оценки содержат AIC, который можно извлечь и затем сравнить среди моделей.

Симулируйте данные отклика и предиктора для регрессионой модели с ошибками ARMA:

yt=2+Xt[-21.5]+utut=0.75ut-1-0.5ut-2+εt+0.7εt-1,

где εt является Гауссовым со средним 0 и отклонением 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 лагов AR и MA, создайте и оцените несколько регрессионых моделей с ошибками ARMA (p, q). Варьируйте p = 1,.., 3 и q = 1,..., 3 среди моделей. Подавьте все отображения оценки. Извлеките AIC из структуры результатов оценки. Полевые AIC 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 среди моделей.

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

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

bestQ = 1

Лучшая модель подгонки является регрессионной моделью с ошибками AR (2,1), потому что ее соответствующий AIC является самым низким. Эта модель также имеет структуру модели, используемой для моделирования данных.

См. также

Объекты

Функции

Введенный в R2018a

Документация по Econometrics Toolbox

Поддержка