regARIMA类

超类:

建立ARIMA时间序列误差的回归模型

展开所有页面

描述

regARIMA创造一个Arima时间序列错误的回归模型保持回归系数的敏感性解释。创建一个Arima模型，其中包含用于外源预测器（ARIMAX）的线性回归分量，参见华宇电脑．

缺省情况下，时间序列错误（也称为无条件干扰）是独立的，相同分布的，平均值0高斯随机变量。如果错误具有自相关结构，则可以为它们指定模型。模型包括：

移动普通（MA）
自回归(AR)
混合自回归和移动平均（ARMA）
综合（Arima）
乘法季节性（Sarima）

指定包含已知系数的错误模型：

模拟反应使用模拟．
使用冲动．
使用预报．
使用数据估计未知系数估计．

建造

MDL.= regARIMA创建一个带有0 Arima错误的回归模型，没有回归系数。

MDL.= regarima（p，D，问）创建一个回归模型，其中包含由自动增加度的非季度线性时间序列建模的错误p,差分化程度D，移动平均度问．

MDL.= regarima（名称,值）使用由一个或多个指定的附加选项创建带有ARIMA错误的回归模型名称,值对论点。名称也可以是属性名称和价值是相应的价值。名称必须出现在单引号内（”）。您可以指定几个名称,值以任何顺序对参数name1，value1，...，namen，valuen．

输入参数

请注意

对于具有非季节性ARIMA误差的回归模型，使用p，D，和问．对于季节性ARIMA误差的回归模型，使用名称,值对论点。

`p`	误差模型的非季度，自回归多项式程度，指定为正整数。
`D`	错误模型的非季度集成度，指定为非负整数。
`问`	非季节性，为误差模型的移动平均多项式度，指定为一个正整数。

名称值对参数

指定可选的逗号分隔对名称,值论点。名称参数名和价值是相应的价值。名称必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

“拦截”

回归模型截距，由逗号分隔的对组成“拦截”和一个标量。

默认值:南

'beta'

与预测器数据相关联的回归模型系数，指定为包括的逗号分隔对'beta'和矢量。

默认值:[]（没有对应于预测器数据的回归系数）

基于“增大化现实”技术的

误差模型的非季度自动评级系数，指定为逗号分隔对组成基于“增大化现实”技术的一个细胞载体。这些系数必须产生一个稳定的多项式。

如果您指定arlags.,然后基于“增大化现实”技术是与滞后相关联的系数的等效长度蜂窝矢量arlags.．例如,如果arlags.＝[1,4]和基于“增大化现实”技术＝{0.2,0.1}然后，忽略所有其他规范，错误模型是 $u_{t} ＝ 0.2 u_{t - 1} + 0.1 u_{t - 4} + {ε.}_{t} ．$
如果不指定arlags.,然后基于“增大化现实”技术是滞后1,2的系数的细胞矢量，......，p，这是非季度，自回归多项式程度。例如,如果基于“增大化现实”技术＝{0.2,0.1}而且你没有指定arlags.然后，忽略所有其他规范，错误模型是 $u_{t} ＝ 0.2 u_{t - 1} + 0.1 u_{t - 2} + {ε.}_{t} ．$

系数基于“增大化现实”技术对应于底层中的系数闸门滞后运营商多项式，并受近零公差排除测试。如果你设置了一个系数1E-12或下面，regARIMA不包括那种系数及其相应的滞后arlags.从模型。

默认值:细胞的向量南s的长度相同arlags.．

'嘛'

误差模型的非季度，移动平均系数，指定为逗号分隔对'嘛'一个细胞载体。系数必须产生可逆多项式。

如果您指定玛格尔斯,然后嘛是与滞后相关联的系数的等效长度蜂窝矢量玛格尔斯．例如,如果玛格尔斯＝[1,4]和嘛＝{0.2,0.1}然后，忽略所有其他规范，错误模型是 $u_{t} ＝ {ε.}_{t} + 0.2 {ε.}_{t - 1} + 0.1 {ε.}_{t - 4} ．$
如果不指定玛格尔斯,然后嘛是滞后1,2的系数的细胞矢量，......，问，它是非季节性的移动平均多项式次数。例如,如果嘛＝{0.2,0.1}而且你没有指定玛格尔斯然后，忽略所有其他规范，错误模型是 $u_{t} ＝ {ε.}_{t} + 0.2 {ε.}_{t - 1} + 0.1 {ε.}_{t - 2} ．$
系数嘛对应于底层中的系数闸门滞后运营商多项式，并受近零公差排除测试。如果你设置了一个系数1E-12或下面，regARIMA不包括那种系数及其相应的滞后玛格尔斯从模型。

默认值:细胞的向量南s的长度相同玛格尔斯．

'arlags'

滞后与基于“增大化现实”技术错误模型中的系数，指定为逗号分隔的对组成'arlags'和正整数的矢量。

默认值:整数1,2，…p，非季节性，自回归多项式次。

“MALags”

滞后与嘛错误模型中的系数，指定为逗号分隔的对组成“MALags”和正整数的矢量。

默认值:整数1,2，…问，非季度移动平均多项式程度。

'sar'

错误模型的季节性自动评级系数，指定为逗号分隔的配对组成'sar'一个细胞载体。系数必须产生稳定的多项式。

如果您指定萨拉格斯,然后SAR.是与滞后相关联的系数的等效长度蜂窝矢量萨拉格斯．例如,如果sarlag = [1,4]，SAR = {0.2, 0.1}，和季节性= 4然后，忽略所有其他规范，错误模型是

$（ 1 - 0.2 l - 0.1 l^{4} ）（ 1 - l^{4} ） u_{t} ＝ {ε.}_{t} ．$
如果不指定萨拉格斯,然后SAR.是滞后1,2的系数的细胞矢量，......，p_年代，这是季节性自动增加多项式程度。例如,如果SAR = {0.2, 0.1}和季节性= 4，而且你没有指定萨拉格斯然后，忽略所有其他规范，错误模型是

$（ 1 - 0.2 l - 0.1 l^{2} ）（ 1 - l^{4} ） u_{t} ＝ {ε.}_{t} ．$

系数SAR.对应于底层中的系数闸门滞后运营商多项式，并受近零公差排除测试。如果你设置了一个系数1E-12或下面，regARIMA不包括那种系数及其相应的滞后萨拉格斯从模型。

默认值:细胞的向量南s的长度相同萨拉格斯．

'sma'

季节性，移动平均系数的错误模型，指定为逗号分隔的配对组成'sma'一个细胞载体。系数必须产生可逆多项式。

如果您指定令人兴奋,然后SMA是与滞后相关联的系数的等效长度蜂窝矢量令人兴奋．例如,如果令人兴奋＝[1,4]，SMA＝{0.2,0.1}，和季节性= 4，则忽略所有其他规范，错误模型为 $（ 1 - l^{4} ） u_{t} ＝（ 1 + 0.2 l + 0.1 l^{4} ） {ε.}_{t} ．$
如果不指定令人兴奋,然后SMA是滞后1,2的系数的细胞矢量，......，问_年代，季节性，移动平均多项式程度。例如,如果SMA＝{0.2,0.1}和季节性= 4，并且没有指定令人兴奋然后，忽略所有其他规范，错误模型是 $（ 1 - l^{4} ） u_{t} ＝（ 1 + 0.2 l + 0.1 l^{2} ） {ε.}_{t} ．$

系数SMA对应于底层中的系数闸门滞后运营商多项式，并受近零公差排除测试。如果你设置了一个系数1E-12或下面，regARIMA不包括那种系数及其相应的滞后令人兴奋从模型。

默认值:细胞的向量南s的长度相同令人兴奋．

'sarlags'

滞后与SAR.错误模型中的系数，指定为逗号分隔的对组成'sarlags'和正整数的矢量。

默认值:整数1,2，…p_年代，季节性，自回归多项式程度。

'smalags'

滞后与SMA错误模型中的系数，指定为逗号分隔的对组成'smalags'和正整数的矢量。

默认值:整数1,2，…问_年代，季节移动平均多项式度。

'D'

误差模型的多项式（即非季度集成度）的非季度差异，指定为逗号分隔对'D'一个非负整数。

默认值:0（没有非季度整合）

“季节性”

为误差模型的季节差分多项式度，指定为逗号分隔对组成“季节性”一个非负整数。

默认值:0(没有季节性的集成)

'方差'

模型创新的变异ε._t，指定为逗号分隔的对，由'方差'和正标量。

默认值:南

'分配'

创新过程的条件概率分布，由逗号分隔对组成'分配'以及描述分发的分发名称或结构阵列。

分配分布名称结构阵列

高斯 '高斯' struct（'name'，'gaussian'）

学生们t

“t”

默认，景深是南．

struct（'name'，'t'，'dof'，dof）

景深> 2或DOF = NAN.

默认值:'高斯'

“描述”

字符串标量或描述模型的字符矢量。默认情况下，此参数描述了模型的参数形式，例如，“Arima（1,1,1）错误模型（高斯分布）”．

请注意

指定与季节多项式相关联的滞后SAR.和SMA在观测数据的周期性，而不是其倍数季节性参数。这个约定不符合Box和Jenkins的标准[1]符号，但它是一种更灵活的融合季节性的方法。

特性

`基于“增大化现实”技术`	对应于误差模型的稳定多项式的非季度，自回归系数的细胞矢量。相关的滞后是1 2…p，这是非季度，自回归多项式，或如上所述`arlags.`．
`bet`	对应于预测器数据矩阵列的回归系数的真实矢量。
`D`	非负整数表示误差模型的非季度积分度。
`描述`	字符串标量用于模型描述。
`分配`	创新过程条件概率分布的数据结构。场`名称`存储分发名称`“高斯”`或者`“t”`．如果分布是`“t”`，那么该结构也有领域`景深`储存自由度。
`截距`	错误模型中的标量截距。
`嘛`	对应于误差模型的可逆多项式的非季度移动平均系数的细胞矢量。相关的滞后是1 2…问到非季节移动平均多项式的程度，或如`玛格尔斯`．
`P`	标量，复合自回归多项式的误差模型。 `P`是初始化误差模型的自回归分量所需的滞后观测总数。`P`包括物业捕获的非季度和季节集成的影响`D`和`季节性`分别和非季度和季节性自回归多项式`基于“增大化现实”技术`和`SAR.`,分别。 `P`不一定符合Box和Jenkins的标准符号[1]．如果`D = 0`，`季节性= 0.`，和`sar = {}`,然后`P`符合标准符号。
`问`	标量、复合移动平均多项式的误差模型。 `问`是初始化模型的移动平均分量所需的滞后创新总数。`问`包括非季度和季节性移动平均多项式的影响`嘛`和`SMA`,分别。 `问`不一定符合Box和Jenkins的标准符号[1]．如果`sma = {}`,然后`问`符合标准符号。
`SAR.`	对应于误差模型的稳定多项式的季节自回归系数的细胞矢量。相关的滞后是1 2…p_年代，这是季节性自回归多项式程度，或如上所述`萨拉格斯`．
`SMA`	单元矢量的季节移动平均系数对应于一个可逆多项式的误差模型。相关的滞后是1 2…问_年代，这是季节性移动平均多项式程度，或如上所述`令人兴奋`．
`季节性`	非负整数表示误差模型的季节性差异多项式程度。
`方差`	模型创新的正标量方差。

方法

华宇电脑	将有ARIMA误差的回归模型转换为ARIMAX模型
估计	Arima错误估算回归模型的参数
筛选	通过带有Arima误差的回归模型过滤干扰
预报	带有ARIMA误差的回归模型的预测响应
冲动	带有ARIMA误差的回归模型的脉冲响应
推断	使用Arima错误推断回归模型的创新
打印	（要被删除）显示具有Arima错误的回归模型的估计结果
模拟	Arima误差的蒙特卡罗模拟回归模型
总结	用Arima误差显示回归模型的估计结果

复制语义

价值。要了解值类如何影响复制操作，请参阅复制对象．

例子

全部折叠

用非季度Arima错误指定回归模型

打开直播脚本

使用Arima（2,1,3）错误指定以下回归模型：

$\begin{array}{c} y_{t} ＝ u_{t} \\ （ 1 - {φ.}_{1} l - {φ.}_{2} l^{2} ）（ 1 - l ） u_{t} ＝（ 1 + {θ.}_{1} l + {θ.}_{2} l^{2} + {θ.}_{3.} l^{3.} ） {ε.}_{t} ． \end{array}$

mdl = regarima（2,1,3）

MDL = Regarima具有属性：“Arima（2,1,3）错误型号（高斯分布）”分布：名称=“高斯”截取：NaN Beta：[1×0] P：3 D：1问：3AR：{Nan NaN}在滞后[1 2] SAR：{} MA：{南纳Nan}在滞后[1 2 3] SMA：{}方差：南

输出显示属性的值P，D，和问的MDL.．相应的自回归和移动平均系数（包含在基于“增大化现实”技术和嘛)是包含正确数目的单元格阵列南价值观。注意P＝p+D= 3，表明您需要三个预定观察，以初始化估计模型。

用Arima错误修改回归模型

打开直播脚本

使用Arima错误定义回归模型：

$\begin{array}{llllllllllllllllllll} \begin{array}{c} y_{t} ＝ 2 + X_{t} ［ \begin{array}{cccccccccccccccccccc} 1 ． 5 \\ 0 ． 2 \end{array} ］ + u_{t} \\ （ 1 - 0 ． 2 l - 0 ． 3. l^{2} ） u_{t} ＝（ 1 + 0 ． 1 l ） {ε.}_{t} ， \end{array} \end{array}$

在哪里 ${ε.}_{t}$ 高斯是否具有差异0.5。

mdl = regarima（“拦截”2，基于“增大化现实”技术的，{0.2 0.3}，'嘛'{0.1},......'方差'，0.5，'beta'，[1.5 0.2]）

MDL = Regarima具有属性：“使用ARMA（2,1）的回归（2,1）错误型号（高斯分布）”分布：名称=“高斯”截距：2 beta：[1.5 0.2] P：2问：1 AR：{0.20.3}在滞后[1 2] SAR：{} MA：{0.1}在LAG [1] SMA：{}方差：0.5

MDL.例如，在给定预测器数据矩阵的情况下模拟一系列响应，完全指定 $X_{t}$ ．

对模型进行修正，以估计回归系数、AR项和创新的方差。

Mdl。bet＝［南南］; Mdl.AR = {NaN NaN}; Mdl.Variance = NaN;

将创新分配改变为a $t$ 分销15度自由。

mdl.distribution = struct（“名字”，“t”，'DOF'15）

MDL = Regarima具有属性：“用ARMA的回归（2,1）错误型号（T分布）”分布：名称=“T”，DOF = 15次截障：2β：[南纳] P：2问：1AR：{Nan Nan}在滞后[1 2] SAR：{} MA：{0.1}在LAG [1] SMA：{}差异：南

使用Sarima错误指定回归模型

打开直播脚本

指定以下型号：

$\begin{array}{llllllllllllllllllll} \begin{array}{c} y_{t} ＝ 1 + 6 X_{t} + u_{t} \\ （ 1 - 0 ． 2 l ）（ 1 - l ）（ 1 - 0 ． 5 l^{4} - 0 ． 2 l^{8} ）（ 1 - l^{4} ） u_{t} ＝（ 1 + 0 ． 1 l ）（ 1 + 0 ． 05 l^{4} + 0 ． 01 l^{8} ） {ε.}_{t} ， \end{array} \end{array}$

在哪里 ${ε.}_{t}$ 为方差为1的高斯分布。

mdl = regarima（“拦截”，1，'beta'，6，基于“增大化现实”技术的, 0.2,......'嘛', 0.1,'sar'{0.5, 0.2},'sarlags'，[4,8]，......'sma'，{0.05,0.01}，'smalags'，[4 8]，'D'，1，......“季节性”，4，'方差'1）

MDL = Regarima具有属性：“与Arima（1,1,1）的回归（1,1,1）错误模型与季节性AR（8）和MA（8）（高斯分布）”分布：名称=“高斯”拦截：1 beta：[6] P：14 D：1在滞后[4 8]季节性：4方差：1

如果不指定萨拉格斯或者令人兴奋，然后是系数SAR.和SMA默认情况下对应于LAG 1和2。

mdl = regarima（“拦截”，1，'beta'，6，基于“增大化现实”技术的, 0.2,......'嘛', 0.1,'sar'{0.5, 0.2},'sma'，{0.05,0.01}，......'D'，1，“季节性”，4，'方差'1）

Mdl = regARIMA with properties: Description:“ARIMA(1,1,1) Error Model Seasonal Integrated with Seasonal AR(2) and MA(2) (Gaussian Distribution)”分布:Name = "高斯"截距:1 Beta: [6] P: 8 D: 1 Q: 3 AR:{0.2}滞后[1]SAR:{0.5 0.2}滞后[1 2]MA:{0.1}滞后[1]SMA:{0.05 0.01}滞后[1 2