Эти примеры показывают, как создать регрессионые модели с ошибками MA с помощью regARIMA. Для получения дополнительной информации об указании регрессионных моделей с ошибками MA с помощью приложения Econometric Modeler, смотрите Задать регрессионую модель с ошибками ARMA с использованием приложения Econometric Modeler.
В этом примере показано, как применить shorthand regARIMA(p,D,q) синтаксис для задания регрессионной модели с ошибками MA.
Задайте регрессионую модель по умолчанию с ошибками MA (2):
Mdl = regARIMA(0,0,2)
Mdl =
regARIMA with properties:
Description: "ARMA(0,2) Error Model (Gaussian Distribution)"
Distribution: Name = "Gaussian"
Intercept: NaN
Beta: [1×0]
P: 0
Q: 2
AR: {}
SAR: {}
MA: {NaN NaN} at lags [1 2]
SMA: {}
Variance: NaN
Программное обеспечение устанавливает каждый параметр равным NaN, и инновационное распределение для Gaussian. Коэффициенты MA имеют лаги 1 и 2.
Передайте Mdl в estimate с данными для оценки параметров, установленных на NaN. Хотя Beta не находится на отображении, если вы передаете матрицу предикторов () в estimate, затем estimate оценки Beta. The estimate функция выводит количество коэффициентов регрессии в Beta из числа столбцов в .
Задачи, такие как симуляция и прогнозирование с использованием simulate и forecast не принимать модели хотя бы с одной NaN для значения параметров. Используйте запись через точку для изменения значений параметров.
В этом примере показов, как задать регрессионую модель с ошибками MA без точки пересечения регрессии.
Задайте регрессионую модель по умолчанию с ошибками MA (2):
Mdl = regARIMA('MALags',1:2,'Intercept',0)
Mdl =
regARIMA with properties:
Description: "ARMA(0,2) Error Model (Gaussian Distribution)"
Distribution: Name = "Gaussian"
Intercept: 0
Beta: [1×0]
P: 0
Q: 2
AR: {}
SAR: {}
MA: {NaN NaN} at lags [1 2]
SMA: {}
Variance: NaN
Программное обеспечение устанавливает Intercept в 0, но все остальные параметры в Mdl являются NaN значения по умолчанию.
Начиная с Intercept не является NaN, это ограничение равенства во время оценки. Другими словами, если вы сдаете Mdl и данные в estimate, затем estimate устанавливает Intercept в 0 во время оценки.
Можно изменять свойства Mdl использование записи через точку.
В этом примере показано, как задать регрессионую модель с ошибками MA, где ненулевые условия MA находятся в неконсективных лагах.
Задайте регрессионую модель с ошибками MA (12):
Mdl = regARIMA('MALags',[1, 12])Mdl =
regARIMA with properties:
Description: "ARMA(0,12) Error Model (Gaussian Distribution)"
Distribution: Name = "Gaussian"
Intercept: NaN
Beta: [1×0]
P: 0
Q: 12
AR: {}
SAR: {}
MA: {NaN NaN} at lags [1 12]
SMA: {}
Variance: NaN
Коэффициенты MA имеют лаги 1 и 12.
Проверьте, что коэффициенты MA в лагах с 2 по 11 равны 0.
Mdl.MA'
ans=12×1 cell array
{[NaN]}
{[ 0]}
{[ 0]}
{[ 0]}
{[ 0]}
{[ 0]}
{[ 0]}
{[ 0]}
{[ 0]}
{[ 0]}
{[ 0]}
{[NaN]}
После применения транспонирования программное обеспечение отображает массив ячеек 12 на 1. Каждая последовательная камера содержит соответствующее значение коэффициента MA.
Передайте Mdl и данные в estimate. Программное обеспечение оценивает все параметры, которые имеют значение NaN. Затем estimate держится = =...= = 0 во время оценки.
В этом примере показано, как задать значения для всех параметров регрессионой модели с ошибками MA.
Задайте регрессионую модель с ошибками MA (2):
где является Гауссовым с единичным отклонением.
Mdl = regARIMA('Intercept',0,'Beta',[0.5; -3; 1.2],... 'MA',{0.5, -0.1},'Variance',1)
Mdl =
regARIMA with properties:
Description: "Regression with ARMA(0,2) Error Model (Gaussian Distribution)"
Distribution: Name = "Gaussian"
Intercept: 0
Beta: [0.5 -3 1.2]
P: 0
Q: 2
AR: {}
SAR: {}
MA: {0.5 -0.1} at lags [1 2]
SMA: {}
Variance: 1
Параметры в Mdl не содержат NaN значений, и поэтому нет необходимости оценивать Mdl использование estimate. Однако можно моделировать или прогнозировать ответы от Mdl использование simulate или forecast.
Этот пример показывает, как задать инновационное распределение регрессионой модели с ошибками MA на t-распределение.
Задайте регрессионую модель с ошибками MA (2):
где имеет распределение t со степенями свободы по умолчанию и единичным отклонением.
Mdl = regARIMA('Intercept',0,'Beta',[0.5; -3; 1.2],... 'MA',{0.5, -0.1},'Variance',1,'Distribution','t')
Mdl =
regARIMA with properties:
Description: "Regression with ARMA(0,2) Error Model (t Distribution)"
Distribution: Name = "t", DoF = NaN
Intercept: 0
Beta: [0.5 -3 1.2]
P: 0
Q: 2
AR: {}
SAR: {}
MA: {0.5 -0.1} at lags [1 2]
SMA: {}
Variance: 1
Степенями свободы по умолчанию являются NaN. Если вы не знаете степеней свободы, то можете оценить её, передав Mdl и данные для estimate.
Задайте a распределение.
Mdl.Distribution = struct('Name','t','DoF',15)
Mdl =
regARIMA with properties:
Description: "Regression with ARMA(0,2) Error Model (t Distribution)"
Distribution: Name = "t", DoF = 15
Intercept: 0
Beta: [0.5 -3 1.2]
P: 0
Q: 2
AR: {}
SAR: {}
MA: {0.5 -0.1} at lags [1 2]
SMA: {}
Variance: 1
Можно моделировать и прогнозировать ответы от путем передачи Mdl на simulate или forecast потому что Mdl полностью задан.
В приложениях, таких как симуляция, программное обеспечение нормализует случайные t-инновации. Другими словами, Variance переопределяет теоретическое отклонение t случайной переменной (которая является DoF/ (DoF - 2)), но сохраняет куртоз распределения.