估计

适用于数据的自回归综合移动平均（ARIMA）模型

折叠所有页面

句法

EstMdl =估计(Mdl, y)

EstMdl =估计（MDL，Y，名称，值）

[estmdl，estparamcov，logl，信息] =估计（＿＿＿）

描述

例子

estmdl.=估计（MDL.，y）估计部分指定的ARIMA的参数（p，D，问）模型MDL.鉴于观察到的单变量时间序列y使用最大可能性。estmdl.是对应的完全指定ARIMA模型，用于存储参数估计。

例子

estmdl.=估计（MDL.，y，名称,值）使用一个或多个名称值对参数指定的其他选项。例如，'X'，X包括用于外源数据的模型中的线性回归分量X．

例子

［estmdl.，estparamcov.，logl.，信息] =估计（＿＿＿）也返回与所估计的参数相关联的方差 - 协方差矩阵estparamcov.的，优化的对数似然的目标函数值logl.和摘要信息信息，使用前面语法中的任何输入参数组合。

例子

全部收缩

估计ARMA模型

打开直播脚本

适合的ARMA（2,1）模型来模拟数据。

从已知模型模拟数据

假设数据生成处理（DGP）是

$y_{t} ＝ 0 ． 5 y_{t - 1} - 0 ． 3. y_{t - 2} + {ε.}_{t} + 0 ． 2 {ε.}_{t - 1} ，$

在哪里 ${ε.}_{t}$ 为一系列iid高斯随机变量，均值为0，方差为0.1。

创建表示DGP的ARMA（2,1）模型。

文章= arima (基于“增大化现实”技术的，{0.5，-0.3}，'嘛'，0.2，......'持续的'，0，'方差'，0.1）

描述:“arima(2,0,1)模型(高斯分布)”分布:Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: 0 AR: {0.5 -0.3} at lag [1 2] SAR: {} MA: {0.2} at lag [1] SMA:{}季节性:0 Beta: [1×0] Variance: 0.1 .

文章是完全指定的阿玛玛模型对象。

模拟从ARMA（2,1）模型的随机500观察路径。

rng (5);重复性的％t = 500;Y =模拟（DGP，T）;

Y是一个500×1列矢量，代表来自ARMA（2,1）模型的模拟响应路径文章．

估计模型

创建ARMA（2,1）模型模板进行估计。

Mdl = arima (0, 1)

MDL = Arima具有属性：描述：“Arima（2,0,1）模型（高斯分布）”分布：名称=“高斯”P：2 D：0 Q：1常数：南ar：{南南}在滞后[1 2] SAR：{} ma：{nan}在Lag [1] sma：{}季节性：0 beta：[1×0]方差：南

MDL.被部分指明的阿玛玛模型对象。决定模型结构只要求，nonestimable参数指定。南- 估计属性，包括 ${φ.}_{1}$ ， ${φ.}_{2}$ ， ${θ.}_{1}$ ， $c$ ，和 ${σ.}^{2}$ ，是要估计的未知模型参数。

符合ARMA（2,1）模型y．

EstMdl =估计(Mdl, y)

ARIMA（2,0,1）模型（高斯分布）：值StandardError的TStatistic p值_________ _____________ __________ __________常数0.0089018 0.018417 0.48334 0.62886 AR {1} 0.49563 0.10323 4.8013 1.5767e-06 AR {2} -0.25495 0.070155 -3.6341 0.00027897 MA {1} 0.27737 0.10732 2.5846 0.0097492方差0.10004 0.0066577 15.027 4.9017e-51

ESTMDL = ARIMA具有属性：“ARIMA（2,0,1）模型（高斯分布）”分布：名称=“高斯”P：2 D：0 Q：1常数：0.00890178 AR：{0.495632 -0.254951} ATLAG [1 2] SAR：{} MA：{0.27737}在LAG [1] SMA：{}季节性：0β：[1×0]方差：0.100043

MATLAB®显示包含的估计总结，其中包括参数估计和推断的表。例如，价值列包含对应的最大似然估算，和pvalue.列包含 $p$ - 值的渐近 $t$ - 最低假设，即相应的参数为0。

estmdl.是完全指明的，估计阿玛玛模型对象;它的估计类似于DGP的参数值。

在估计过程中对参数应用等式约束

打开直播脚本

适合的AR（2）模型来模拟的数据，同时保持估计期间固定模型恒定。

从已知模型模拟数据

假设DGP是

$y_{t} ＝ 0 ． 5 y_{t - 1} - 0 ． 3. y_{t - 2} + {ε.}_{t} ，$

在哪里 ${ε.}_{t}$ 为一系列iid高斯随机变量，均值为0，方差为0.1。

创建表示DGP的AR（2）的模型。

文章= arima (基于“增大化现实”技术的，{0.5，-0.3}，......'持续的'，0，'方差'，0.1）;

从模拟模型中的随机观察500路径。

rng (5);重复性的％t = 500;Y =模拟（DGP，T）;

创建模型对象指定约束

假定平均的 $y_{t}$ 是0吗 $c$ 是0。

创建一个AR（2）估计模型。放 $c$ 到0。

mdl =阿里马（'ARLags'，1：2，'持续的'，0）

MDL = ARIMA模型属性：描述： “ARIMA（2,0,0）模型（高斯分布）” 分布：名称= “高斯” P：2 d：0问：0常数：0 AR：{楠楠}在滞后[1 2] SAR：{} MA：{} SMA：{}季节性：0贝塔：[1×0]方差：NaN的

MDL.被部分指明的阿玛玛模型对象。指定的参数包括所有必需的参数和模型常量。南- 估计属性，包括 ${φ.}_{1}$ ， ${φ.}_{2}$ ，和 ${σ.}^{2}$ ，是要估计的未知模型参数。

估计模型

适合AR包含约束（2）模型模板y．

EstMdl =估计(Mdl, y)

ARIMA（2,0,0）模型（高斯分布）：价值标准误差Tstatistic pvalue _______________________________常数0 0 NaN NaN AR {1} 0.56342 0.044225 12.74 3.5474E-37 AR {2} -0.29355 0.04178C-0.29355 0.041784 -0-30-12方差0.10022 0.006644 15.085 2.0476E-51

描述:“arima(2,0,0)模型(高斯分布)”分布:Name = "Gaussian" P: 2 D: 0 Q: 0 Constant: 0 AR: {0.563425 -0.293554} at lag [1 2] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0] Variance: 0.100222 . (x = 0

estmdl.是完全指明的，估计阿玛玛模型对象;其估计类似于AR（2）模型的参数值文章．的价值 $c$ 在估计总结和对象显示是0，并且相应的推论是微不足道的或不适用。

初始化模型估计使用样品前响应数据

打开直播脚本

因为一个ARIMA模型是以前的值的函数，估计需要预先定位数据以提前在采样期间初始化模型。虽然，估计在默认情况下样品前数据backcasts，您可以指定所需的样品前数据，而不是。这P一个物业阿玛玛模型对象指定所需数量的样品前体的观察。

加载数据

加载美国股票指数数据集data_equityidx.．

加载data_equityidx.

桌子数据表包括时间序列的可变纽约证券交易所，它通过1995年12月包含每天，纽约证券交易所综合收盘价从1990年1月。

将表格转换为一个时间表。

dt = datetime(日期,'vectormfrom'，'数据内容'，'格式'，'yyyy-mm-dd'）;TT = table2timetable（数据表，'rowtimes'，dt）;T =尺寸（TT，1）;％总样本大小

创建模型模板

假设一个ARIMA（1,1,1）模型是适当的，在采样期间，以NYSE复合系列建模。

创建估计的ARIMA（1,1,1）模型模板。

MDL = Arima（1,1,1）

MDL = ARIMA模型属性：描述： “ARIMA（1,1,1）模型（高斯分布）” 分布：名称= “高斯” P：2 d：1 Q：1常数：NaN的AR：{}的NaN在滞后[1] SAR：{} MA：{}的NaN在滞后[1] SMA：{}季节性：0贝塔：[1×0]方差：NaN的

MDL.被部分指明的阿玛玛模型对象。

分区的样本

该分区的样品进入样品前体和估计的采样周期，从而使样品前体发生第一和包含创建索引的矢量mdl.p.＝2观察，估计样品中含有剩余的观察结果。

样品前体= 1：Mdl.P;estsample =（Mdl.P + 1）：T;

估计模型

适合的ARIMA（1,1,1）模型来估计样品。指定预先响应。

estmdl =估计（mdl，tt {estsample，“纽约证券交易所”}，'y0'，TT {样品前体，“纽约证券交易所”}）;

ARIMA（1,1,1）模型（高斯分布）：值StandardError的TStatistic p值________ _____________ __________ _______常数0.15775 0.097888 1.6115 0.10706 AR {1} -0.21985 0.15652 -1.4046 0.16015 MA {1} 0.28529 0.15393 1.8534 0.06382方差17.17 0.20065 85.573 0

estmdl.是完全指明的，估计阿玛玛模型对象。

指定优化初始参数值

打开直播脚本

将Arima（1,1,1）模型适合纽约证券交易所综合指数的日常关闭。指定从导频示例的分析获得的初始参数值。

加载数据

加载美国股票指数数据集data_equityidx.．

加载data_equityidx.

桌子数据表包括时间序列的可变纽约证券交易所，它通过1995年12月包含每天，纽约证券交易所综合收盘价从1990年1月。

将表格转换为一个时间表。

dt = datetime(日期,'vectormfrom'，'数据内容'，'格式'，'yyyy-mm-dd'）;TT = table2timetable（数据表，'rowtimes'，dt）;

适合模型到试点样品

假设一个ARIMA（1,1,1）模型是适当的，在采样期间，以NYSE复合系列建模。

创建估计的ARIMA（1,1,1）模型模板。

Mdl = arima (1, 1, 1);

MDL.被部分指明的阿玛玛模型对象。

治疗前两年作为用于拟合模型到剩余三年的数据时，获得初始参数值的导频样本。拟合模型的导频样本。

EndPilot = DateTime（1991,12,31）;pilottr = timerange（tt.time（1），EndPilot，'天'）;EstMdl0 =估计（MDL，TT {pilottr，“纽约证券交易所”}，'展示'，'离开'）;

EstMdl0是完全指明的，估计阿玛玛模型对象。

估计模型

适合的ARIMA（1,1,1）模型来估计样品。指定从先导样品适合作为用于优化的初始值估计的参数。

esttr = TIMERANGE（endPilot +天（1），TT.Time（结束），'天'）;C0 = EstMdl0.Constant;AR0 = EstMdl0.AR;MA0 = EstMdl0.MA;var0 = EstMdl0.Variance;EstMdl =估计（MDL，TT {esttr，“纽约证券交易所”}，“Constant0”，C0，“AR0”，AR0，......'ma0'，MA0，'variance0'，var0）;

ARIMA（1,1,1）模型（高斯分布）：值StandardError的TStatistic p值_______ _____________ __________ _______常数0.17424 0.11648 1.4959 0.13468 AR {1} -0.2262 0.18587 -1.217 0.22362 MA {1} 0.29047 0.18276 1.5893 0.11199方差20.053 0.27603 72.65 0

estmdl.是完全指明的，估计阿玛玛模型对象。

估计含有外源预测器的Arima模型（Arimax）

打开直播脚本

适合的ARIMAX模型模拟的时间序列数据。

模拟预测器和响应数据

为DGP创建ARIMAX（2,1,0）模型，表示 $y_{t}$ 在等式中

$（ 1 - 0 ． 5 l + 0 ． 3. l^{2} ）（ 1 - l ）^{1} y_{t} ＝ 2 + 1 ． 5 x_{1 ， t} + 2 ． 6 x_{2 ， t} - 0 ． 3. x_{3. ， t} + {ε.}_{t} ，$

在哪里 ${ε.}_{t}$ 为一系列iid高斯随机变量，均值为0，方差为0.1。

文章= arima (基于“增大化现实”技术的，{0.5，-0.3}，'D'，1，'持续的'2，......'方差'，0.1，'beta'，[1.5 2.6-0.3]）;

假定外生变量 $x_{1 ， t}$ ， $x_{2 ， t}$ ，和 $x_{3. ， t}$ 由AR（1）表示的流程

$\begin{array}{cccccccccccccccccccc} x_{1 ， t} ＝ 0 ． 1 x_{1 ， t - 1} + {η.}_{1 ， t} \\ x_{2 ， t} ＝ 0 ． 2 x_{2 ， t - 1} + {η.}_{2 ， t} \\ x_{3. ， t} ＝ 0 ． 3. x_{3. ， t - 1} + {η.}_{3. ， t} ， \end{array}$

在哪里 ${η.}_{我， t}$ 服从高斯分布，均值为0，方差为0.01 $我 \in ｛ 1 ， 2 ， 3. ｝$ ．创建ARIMA模型代表的外生变量。

mdlx1 = Arima（基于“增大化现实”技术的，0.1，'持续的'，0，'方差', 0.01);mdlx2 = Arima（基于“增大化现实”技术的，0.2，'持续的'，0，'方差', 0.01);mdlx3 = Arima（基于“增大化现实”技术的，0.3，'持续的'，0，'方差', 0.01);

模拟长度1000从AR模型外源性系列。在矩阵存储模拟数据。

T = 1000;rng (10);重复性的％X1 =模拟（MdlX1，T）;X2 =模拟（MdlX2，T）;X3 =模拟（MdlX3，T）;X = [X1 X2 X3的];

X是模拟时间序列数据的1000×3矩阵。每行对应于时间序列中的观察，并且每列对应于外源变量。

模拟的长度从DGP 1000系列。指定模拟外生数据。

y =模拟(文章,T,'X'，X）;

y是1000×1响应数据矢量矢量图。

估计模型

创建Arima（2,1,0）模型模板进行估计。

MDL = Arima（2,1,0）

描述:“arima(2,1,0)模型(高斯分布)”分布:Name = "Gaussian" P: 3 D: 1 Q: 0 Constant: NaN AR: {NaN NaN} at lag [1 2] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0] Variance: NaN . (n

模型描述（描述属性）和值bet表明部分规定阿玛玛模型对象MDL.是外部预测因素的不可知论者。

估计Arimax（2,1,0）模型;指定外源性预测器数据。因为估计对预样本响应(一个过程，需要预样本预测数据的ARIMAX模型)进行回投，使模型适合最新的t - mdl.p.回复。（或者，您也可以通过使用指定样品前回应'y0'名称值对参数。）

EstMdl =估计(Mdl y (Mdl。P + 1): T)'X'，X）;

ARIMAX(2,1,0)模型(高斯分布):值StandardError TStatistic PValue ________ _____________ __________ ___________ Constant 1.7519 0.021143 82.859 0 AR{1} 0.56076 0.016511 33.963 7.9439e-253 AR{2} -0.26625 0.015966 -16.676 1.9633e-62 Beta(1) 1.4764 0.10157 14.536 7.1231e-48 Beta(2) 2.5638 0.10445 24.547 4.6651e-133 Beta(3) -0.34422 0.098623 -3.4903 0.00048249方差0.106730.0047273 22.577 7.3169 e - 113

estmdl.是完全指明的，估计阿玛玛模型对象。

当你用估计并通过指定供应外生数据'X'名称-值对参数，MATLAB®将模型识别为ARIMAX(2,1,0)模型，并包括外生变量的线性回归组件。

估计的模型是

$（ 1 - 0 ． 56. l + 0 ． 27. l^{2} ） {（ 1 - l ）}^{1} y_{t} ＝ 1 ． 75. + {1 ． 48. x}_{1 ， t} + 2 ． 56. x_{2 ， t} - 0 ． 34. x_{3. ， t} + {ε.}_{t} ，$

它类似于DGP表示由Mdl0．因为MATLAB返回在差异方程表示法中表达的模型的AR系数，所以它们的迹象在等式中相反。

计算估计的标准误差

打开直播脚本

加载美国股票指数数据集data_equityidx.．

加载data_equityidx.

桌子数据表包括时间序列的可变纽约证券交易所，它通过1995年12月包含每天，纽约证券交易所综合收盘价从1990年1月。

将表格转换为一个时间表。

dt = datetime(日期,'vectormfrom'，'数据内容'，'格式'，'yyyy-mm-dd'）;TT = table2timetable（数据表，'rowtimes'，dt）;

假设一个ARIMA（1,1,1）模型是适当的，在采样期间，以NYSE复合序列模型

将Arima（1,1,1）模型适合数据，并返回估计的参数协方差矩阵。

Mdl = arima (1, 1, 1);[estmdl，estparamcov] =估计（mdl，tt {：，“纽约证券交易所”}）;

ARIMA（1,1,1）模型（高斯分布）：值StandardError的TStatistic p值________ _____________ __________ ________常数0.15745 0.097831 1.6094 0.10753 AR {1} -0.21996 0.15642 -1.4062 0.15965 MA {1} 0.2854 0.15382 1.8554 0.063533方差17.159 0.20038 85.632 0

estparamcov.

estparamcov =4×4.0.0096 -0.0002 0.0002 0.0023 -0.0002 0.0245 -0.0240 -0.0060 0.0002 -0.0240 0.0237 0.0057 0.03 -0.0060 0.0057 0.0402

estmdl.是完全指明的，估计阿玛玛模型对象。的行和列estparamcov.对应于估计表中的行和推断;例如， ${C o v}_{}^{人} （ {φ.}_{}^{人}_{1} ， {θ.}_{}^{人}_{1} ）＝ - 0 ． 024$ ．

通过对协方差矩阵的对角元素取平方根来计算估计的参数标准误差。

estParamSE = SQRT（DIAG（EstParamCov））

estParamSE =4×10.0978 0.1564 0.1538 0.2004

计算基于WALD的95％置信区间 $φ.$ ．

T =尺寸（TT，1）;％有效样本容量phihat = EstMdl.AR {1};sephihat = estParamSE (2);ciphi = phhat + tinv([0.025 0.975]，T - 3)* phhihat . ciphi = phhat + tinv([0.025 0.975]，T - 3

CIPHI =1×2-0.5267 0.0867

间隔包含0，这表明了 $φ.$ 是微不足道的。

计算拟合响应值

打开直播脚本

加载美国股票指数数据集data_equityidx.．

加载data_equityidx.

桌子数据表包括时间序列的可变纽约证券交易所，它通过1995年12月包含每天，纽约证券交易所综合收盘价从1990年1月。

将表格转换为一个时间表。

dt = datetime(日期,'vectormfrom'，'数据内容'，'格式'，'yyyy-mm-dd'）;TT = table2timetable（数据表，'rowtimes'，dt）;T =尺寸（TT，1）;

假设一个ARIMA（1,1,1）模型是适当的，在采样期间，以NYSE复合系列建模。

适合的ARIMA（1,1,1）模型的数据。指定所需的样品前体和关闭估计显示。

Mdl = arima (1, 1, 1);preidx = 1：mdl.p;estidx =（mdl.p + 1）：t;estmdl =估计（mdl，tt {estidx，“纽约证券交易所”}，......'y0', TT {preidx,“纽约证券交易所”}，'展示'，'离开'）;

推断出残差 $\overset{人}{{ε.}_{t}}$ 从估计的模型，指定所需的样品前。

REND =推断（ESTMDL，TT {estidx，“纽约证券交易所”}，......'y0', TT {preidx,“纽约证券交易所”}）;

渣滓是一个（t - mdl.p.）×1残差矢量。

计算拟合值 $\overset{人}{y_{t}}$ ．

yhat = tt {estidx，“纽约证券交易所”}  - 渣油;

绘制在同一个图形的意见和拟合值。

绘图（tt.time（estidx），tt {estidx，“纽约证券交易所”}，“r”，tt.time（estidx），yhat，'B--'，'行宽'2）

图中包含一个坐标轴。轴包含2个类型的型号。

拟合值密切追踪观察结果。

绘制残差与拟合值的关系。

图（yhat，渣油，“。”）ylabel（'残留'）Xlabel（'适合价值'）

图中包含一个坐标轴。轴包含一个线型对象。

剩余方差出现较大的拟合值大。对该行为的一种补救方法是应用日志转换成数据。

输入参数

全部收缩

`MDL.`- - - - - -部分指定ARIMA模型
`阿玛玛`模型对象

部分指明的ARIMA模型用于指示约束和可估计模型参数，指定为阿玛玛模型对象通过返回阿玛玛或者估计．性能MDL.描述模型结构并指定参数。

估计配合指定（南-value)参数y．

估计将指定参数视为估计期间的平等约束。

`y`- - - - - -响应数据的单一路径
数字列向量

响应数据的单一路径，其中模型MDL.适合，指定为数字列向量。最后的观察y是最新的观察。

数据类型：双倍的

名称-值对的观点

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

例子：Y0, Y0, X, X使用矢量y0.作为估计所需的前样本响应，并包括外生预测数据的线性回归成分X．

估算选项

全部收缩

`'X'`- - - - - -外源性预测数据
矩阵

用于线性回归分量的外源性预测数据，指定为逗号分隔的对组成'X'和矩阵。

的列X是分开的，同步的时间系列。最后一行包含了最新的观测数据。

如果不使用指定样品前响应数据'y0'名称 - 值对参数，行的数量X必须至少numel（y）+ mdl.p．否则，表示X必须至少长度y．

如果的行数X超过所需的数目，估计仅使用最新的观察。

估计同步X和y因此，最新的观测（最后行）同时发生。

默认情况下，估计不估计回归系数，无论它们的存在如何MDL.．

数据类型：双倍的

`'选项'`- - - - - -优化选项
`optimoptions`优化控制器

优化选项，指定为逗号分隔对组成'选项'和optimoptions优化控制器。有关修改优化器的默认值的详细信息，请参阅optimoptions或者粉刺在优化工具箱™中。

例如，改变约束公差1E-6,设置选项= optimoptions（@ fmincon， 'ConstraintTolerance'，1E-6， '算法'， 'SQP'）．然后,通过选项进入估计使用'选项'，选项．

默认情况下，估计使用相同的默认选项粉刺,除了算法是'SQP'和ConstraintTolerance是1E-7．

`'展示'`- - - - - -命令窗口显示选项
`'PARAMS'`（默认）|`'诊断'`|`'满的'`|`“通路”`|`'离开'`|弦矢量|字符向量的细胞矢量

命令窗口显示选项，指定为逗号分隔的一对组成的'展示'和一个或多个在此表中的值的。

价值	显示的信息
`'诊断'`	优化诊断
`'满的'`	最大可能性参数估计，标准错误，t统计，迭代优化信息，并优化诊断
`“通路”`	迭代优化信息
`'离开'`	没有任何
`'PARAMS'`	最大似然参数估计，标准错误和t统计数据

例子：“显示”，“关闭”非常适合运行估计许多模型的模拟。

例子：'显示'，{ 'PARAMS'， '诊断'}显示所有估计结果和优化诊断。

数据类型：char|细胞|细绳

预先规格

全部收缩

`'y0'`- - - - - -样品前响应数据
数字列向量

预先计算模型的响应数据，指定为逗号分隔的对组成'y0'和一个数值列向量。

的长度y0.必须至少mdl.p.．如果y0.有多余的行，估计只使用最新版本mdl.p.样品前体反应。最后一行包含了最新的样品前体反应。

默认情况下，估计对必要数量的前样本反应进行向后预测(向后投射)。

有关的估计数据分区的详细信息，请参阅时基为分区ARIMA模型估计．

数据类型：双倍的

`'e0'`- - - - - -预先创新
数字列向量

预先创新ε._t用于初始化的模式，指定为逗号分隔的一对组成的'e0'和一个数值列向量。

的长度E0必须至少mdl.q.．如果E0有多余的行，估计只使用最新版本mdl.q.样品前的创新。最后一行包含了最新的样品前的创新。

如果Mdl。方差是一个条件方差模型对象，如garch模型，估计可能需要更多mdl.q.样品前的创新。

默认情况下，估计设置所有必需的预先创新0，这是他们的意思。

数据类型：双倍的

`'v0'`- - - - - -预先条件差异
数字正列向量

预先条件差异σ.²_t用于初始化任何条件方差模型，指定为逗号分隔对，由'v0'和数字正柱矢量。

的长度V0必须至少观察次数需要初始化条件方差模型（参见估计）。如果V0有多余的行，估计仅使用最新的观察。最后一行包含最新的观察。

如果方差是恒定的，估计忽略V0．

默认情况下，估计将必要的预先定位条件差异设置为平均推断创新的平均值。

数据类型：双倍的

初始价值规格

全部收缩

初步估计t分布自由度参数ν，指定为逗号分隔的配对组成'dof0'和正标量。DoF0必须超过2。

数据类型：双倍的

`'variance0'`- - - - - -创新差异的初步估计
正标量|的名称 - 值对参数细胞载体

创新的方差的初始估计，指定为逗号分隔的一对组成的'variance0'和正标量或的名称 - 值对参数的细胞载体。

`Mdl。方差`价值	描述	`'variance0'`价值
数字标量或`南`	常方差	正标
`garch`，`EGARCH`，或者`GJR`模型对象	条件方差模型	用于指定初始估计的名称值对参数的单元格向量，请参阅`估计`条件方差模型对象的功能

默认情况下，估计使用标准时间序列技术导出初始估计。

例子：对于具有常数方差的模型，集合'variance0'，2指定的初始方差估计2．

例子：用于复合条件均值和方差模型，设置'variance0'，{'constant0'，2，'arch0'，0.1}指定初始估计2对于条件方差模型常数，的初始估计0.1对于拱多项式的LAG 1系数。

数据类型：双倍的|细胞

笔记

南S IN输入数据表明缺失值。估计用途ListWise删除在含有至少一个缺少的值的输入数据，以删除所有采样时间（行）。具体来说，估计执行下列步骤操作：

同步或合并时，样品前数据集E0，V0，和y0.和有效采样数据X和y建立在独立组样品前和效果．
卸下所有行样品前和效果包含至少一个南．

列表删除减小了样本大小和可以创建不规则的时间系列。

输出参数

全部收缩

`estmdl.`- 估计Arima模型
`阿玛玛`模型对象

估计ARIMA模型，返回一个阿玛玛模型对象。

estmdl.是一份MDL.有南值替换参数估计。estmdl.完全指定。

`estparamcov.`- 最大似然估计的估计的协方差矩阵
正半定数值矩阵

优化器已知的最大似然估计的估计协方差矩阵，作为正半纤维数字矩阵返回。

行和列包含参数估计的CovariRe。每个参数估计的标准误差是主要对角线条目的平方根。

对应于任何参数的行和列保持固定为等式约束是零个矢量。

对应的行和列参数estparamcov.出现的顺序如下:

持续的
非零基于“增大化现实”技术积极滞后的系数，从最小到最大的滞后
非零SAR.积极滞后的系数，从最小到最大的滞后
非零嘛积极滞后的系数，从最小到最大的滞后
非零SMA积极滞后的系数，从最小到最大的滞后
当您指定外生数据回归系数（X）由列订购X
方差参数，常数方差模型和向量条件方差模型标量（见估计参数的顺序)
自由度(t典型——仅分布)

数据类型：双倍的

`logl.`- 优化的loglikeliach目标函数值
数字标量

优化的loglikeliach目标函数值，返回为数字标量。

数据类型：双倍的

`信息`——优化总结
结构阵列

最优化摘要，返回为结构阵列，以在该表中描述的字段。

场地	描述
`exitflag`	优化出口标志（见`粉刺`在优化工具箱）
`选项`	优化选项控制器（见`optimoptions`和`粉刺`在优化工具箱）
`X`	最终参数估计值的矢量
`X0.`	初始参数估计的矢量

例如，您可以通过输入显示最终估计的向量info.x.在命令窗口中。

数据类型：结构体

提示

访问估计结果的值，包括模型中的空闲参数的数量，通过estmdl.到总结．

算法

估计Infers的创新和条件差异（当前）的基础响应系列，然后使用约束的最大可能性来适应模型MDL.到的响应数据y．
因为您可以指定预先数据输入y0.，E0，和V0不同长度的，估计假定所有指定的集合具有以下特征：
- 每个集合中的最后观察（行）同时发生。
- 估计样品中的第一观察紧跟在样品前体的最后的观察，相对于所述采样频率。
如果您指定了'展示'名称-值对参数时，值覆盖诊断和展示的设置'选项'名称值对参数。除此以外，估计使用使用的优化信息'选项'设置。
估计使用梯度（OPG）方法的外产物来执行协方差矩阵估计．

参考

[1]Box, George E. P.， Gwilym M. Jenkins，和Gregory C. Reinsel。时间序列分析：预测和控制．3版。恩格尔伍德悬崖，NJ: Prentice Hall, 1994。

[2]沃尔特汉语。应用计量经济时间序列．新泽西州霍博肯市：John Wiley和Sons公司，1995年。

[3]格林，威廉。H。经济学分析．第6届。上马鞍河，NJ：Prentice Hall出版社，2008年。

[4]汉密尔顿，詹姆斯D.时间序列分析．普林斯顿，新泽：普林斯顿大学出版社，1994年。

另请参阅

对象

阿玛玛

功能

预报|推断|模拟|总结

主题

介绍了在R2012a

估计

句法

描述

例子

估计ARMA模型

在估计过程中对参数应用等式约束

初始化模型估计使用样品前响应数据

指定优化初始参数值

估计含有外源预测器的Arima模型（Arimax）

计算估计的标准误差

计算拟合响应值

输入参数

MDL.- - - - - -部分指定ARIMA模型阿玛玛模型对象

y- - - - - -响应数据的单一路径数字列向量

名称-值对的观点

'X'- - - - - -外源性预测数据矩阵

'选项'- - - - - -优化选项optimoptions优化控制器

'展示'- - - - - -命令窗口显示选项'PARAMS'（默认）|'诊断'|'满的'|“通路”|'离开'|弦矢量|字符向量的细胞矢量

'y0'- - - - - -样品前响应数据数字列向量

'e0'- - - - - -预先创新数字列向量

'v0'- - - - - -预先条件差异数字正列向量

“Constant0”- - - - - -模型常数的初始估计数字标量

“AR0”- - - - - -非季节性AR多项式系数的初步估计数字矢量

'sar0'- - - - - -季节性自回归多项式系数的初步估计数字矢量

'ma0'- - - - - -非季节性移动平均多项式系数的初步估计数字矢量

'sma0'- - - - - -季节性移动平均多项式系数的初步估计数字矢量

'Beta0'- - - - - -回归系数的初始估计数字矢量

'dof0'- - - - - -初步估计，t分布自由度参数10.（默认）|正标量

'variance0'- - - - - -创新差异的初步估计正标量|的名称 - 值对参数细胞载体

输出参数

estmdl.- 估计Arima模型阿玛玛模型对象

estparamcov.- 最大似然估计的估计的协方差矩阵正半定数值矩阵

logl.- 优化的loglikeliach目标函数值数字标量

信息——优化总结结构阵列

提示

算法

参考

另请参阅

对象

功能

主题

计量经济学工具箱文档

万博1manbetx

用Matlab建模财务风险的实用指南

`MDL.`- - - - - -部分指定ARIMA模型
`阿玛玛`模型对象

`y`- - - - - -响应数据的单一路径
数字列向量

`'X'`- - - - - -外源性预测数据
矩阵

`'选项'`- - - - - -优化选项
`optimoptions`优化控制器

`'展示'`- - - - - -命令窗口显示选项
`'PARAMS'`（默认）|`'诊断'`|`'满的'`|`“通路”`|`'离开'`|弦矢量|字符向量的细胞矢量

`'y0'`- - - - - -样品前响应数据
数字列向量

`'e0'`- - - - - -预先创新
数字列向量

`'v0'`- - - - - -预先条件差异
数字正列向量

`“Constant0”`- - - - - -模型常数的初始估计
数字标量

`“AR0”`- - - - - -非季节性AR多项式系数的初步估计
数字矢量

`'sar0'`- - - - - -季节性自回归多项式系数的初步估计
数字矢量

`'ma0'`- - - - - -非季节性移动平均多项式系数的初步估计
数字矢量

`'sma0'`- - - - - -季节性移动平均多项式系数的初步估计
数字矢量

`'Beta0'`- - - - - -回归系数的初始估计
数字矢量

`'dof0'`- - - - - -初步估计，t分布自由度参数
`10.`（默认）|正标量

`'variance0'`- - - - - -创新差异的初步估计
正标量|的名称 - 值对参数细胞载体

`estmdl.`- 估计Arima模型
`阿玛玛`模型对象

`estparamcov.`- 最大似然估计的估计的协方差矩阵
正半定数值矩阵

`logl.`- 优化的loglikeliach目标函数值
数字标量

`信息`——优化总结
结构阵列