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创建一个ARIMA时间序列误差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．

默认情况下，时间序列误差(也称为无条件扰动)是独立的、同分布的、平均为0个高斯随机变量。如果错误具有自相关结构，那么您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，差异程度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,值对参数。的名字也可以是属性名和价值是相应的价值。的名字必须出现在单引号内（＇＇）。您可以指定几个名称,值以任意顺序对参数Name1, Value1,…,的家．

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,值对参数。

`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,值参数。的名字参数名和价值是相应的价值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家．

“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'

与预测器数据相关的回归模型系数，由逗号分隔的一对组成'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”技术等效长度的系数单元向量是否与滞后有关ARLags．例如,如果ARLags＝[1,4]和基于“增大化现实”技术＝{0.2,0.1}，那么，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，…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，那么，忽略所有其他规范，错误模型是 $u_{t} ＝ 0.2 u_{t - 1} + 0.1 u_{t - 2} + ε_{t} ．$

的系数基于“增大化现实”技术对应于底层的系数LagOp滞后算子多项式，并经过近零容差排除试验。如果你把系数设为1E-12或以下,regARIMA排除了该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．

“马”

非季节性的，为误差模型的移动平均系数，指定为逗号分隔的对组成“马”一个细胞载体。系数必须产生一个可逆的多项式。

如果您指定MALags,然后嘛等效长度的系数单元向量是否与滞后有关MALags．例如,如果MALags＝[1,4]和嘛＝{0.2,0.1}，那么，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MALags,然后嘛是滞后1,2，…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MALags，那么，忽略所有其他规范，错误模型是 $u_{t} ＝ ε_{t} + 0.2 ε_{t - 1} + 0.1 ε_{t - 2} ．$
的系数嘛对应于底层的系数LagOp滞后算子多项式，并经过近零容差排除试验。如果你把系数设为1E-12或以下,regARIMA排除了该系数及其相应的滞后MALags从模型。

默认值:细胞的向量南S的长度相同MALags．

'arlags'

滞后与基于“增大化现实”技术误差模型中的系数，指定为逗号分隔的对，由'arlags'一个正整数的向量。

默认值:整数1,2，…p，非季节性，自回归多项式次。

“MALags”

滞后与嘛误差模型中的系数，指定为逗号分隔的对，由“MALags”一个正整数的向量。

默认值:整数1,2，…问，非季节移动平均多项式次数。

“特别行政区”

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“特别行政区”一个细胞载体。系数必须是稳定的多项式。

如果您指定萨拉格斯,然后特别行政区等效长度的系数单元向量是否与滞后有关萨拉格斯．例如,如果sarlag = [1,4]，SAR = {0.2, 0.1}，和季节性= 4，那么，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,然后特别行政区是滞后1,2，…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，你没有具体说明萨拉格斯，那么，忽略所有其他规范，错误模型是

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

的系数特别行政区对应于底层的系数LagOp滞后算子多项式，并经过近零容差排除试验。如果你把系数设为1E-12或以下,regARIMA排除了该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的

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的一个细胞载体。这个系数必须产生一个可逆的多项式。

如果您指定SMALags,然后SMA等效长度的系数单元向量是否与滞后有关SMALags．例如,如果SMALags＝[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SMALags,然后SMA是滞后1,2，…问_年代，季节移动平均多项式次数。例如,如果SMA＝{0.2,0.1}和季节性= 4，并且没有指定SMALags，那么，忽略所有其他规范，错误模型是 $（ 1 - l^{4} ） u_{t} ＝（ 1 + 0.2 l + 0.1 l^{2} ） ε_{t} ．$

的系数SMA对应于底层的系数LagOp滞后算子多项式，并经过近零容差排除试验。如果你把系数设为1E-12或以下,regARIMA排除了该系数及其相应的滞后SMALags从模型。

默认值:细胞的向量南S的长度相同SMALags．

'sarlags'

滞后与特别行政区误差模型中的系数，指定为逗号分隔的对，由'sarlags'一个正整数的向量。

默认值:整数1,2，…p_年代，季节自回归多项式次。

“SMALags”

滞后与SMA误差模型中的系数，指定为逗号分隔的对，由“SMALags”一个正整数的向量。

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(没有季节性集成)

“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

“分布”

创新过程的条件概率分布，由逗号分隔对组成“分布”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” 结构(“名字”,“高斯”)

学生的t

“t”

默认情况下,景深是南．

结构(“名字”,“t”,景深,景深)

景深> 2或景深=南

默认值:“高斯”

“描述”

描述模型的字符串标量或字符向量。默认情况下，此参数描述模型的参数形式，例如，ARIMA(1,1,1)误差模型(高斯分布)．

请注意

指定与季节多项式相关的滞后特别行政区和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。

属性

`基于“增大化现实”技术`	单元向量的非季节性，自回归系数对应一个稳定的多项式误差模型。相关的滞后是1 2…p，为非季节性的自回归多项式次数，或如`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`	模型描述的字符串标量。
`分配`	创新过程条件概率分布的数据结构。场`的名字`存储分发名称`“高斯”`或者`“t”`．如果分布是`“t”`，则结构也有域`景深`来存储自由度。
`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`MALags`．
`P`	标量、复自回归多项式度误差模型。 `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`包括属性捕获的非季节性和季节性集成的影响`D`和`季节性`，以及非季节性和季节性自回归多项式`基于“增大化现实”技术`和`特别行政区`,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。
`特别行政区`	单元向量的季节自回归系数对应一个稳定的多项式误差模型。相关的滞后是1 2…p_年代，为季节自回归多项式度，或如`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，即季节移动平均多项式次数，或如`SMALags`．
`季节性`	非负整数，表示误差模型的季节差分多项式度。
`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
过滤器	通过带ARIMA误差的回归模型滤波干扰
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	推断具有ARIMA误差的回归模型的创新
打印	(待剔除)显示有ARIMA误差的回归模型的估计结果
模拟	带有ARIMA误差的回归模型的蒙特卡罗模拟
总结	显示有ARIMA误差的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

全部收缩

指定一个具有非季节性ARIMA误差的回归模型

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，表明您需要三个样例观察来初始化模型以进行估计。

用ARIMA误差修正回归模型

打开直播脚本

定义ARIMA误差的回归模型:

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

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}，“马”{0.1},.．.“方差”，0.5，'beta'(1.5 - 0.2))

描述:“ARMA(2,1)误差模型(高斯分布)回归”分布:Name = "高斯"截距:2 Beta: [1.5 0.2] P: 2 Q: 1 AR: {0.2 0.3} at lag [1 2] SAR: {} MA: {0.1} at 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;

将创新分配改为 $t$ 有15个自由度的分布。

Mdl。D是tribution = 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

指定一个带有SARIMA错误的回归模型

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,.．.“马”, 0.1,“特别行政区”{0.5, 0.2},'sarlags'，[4,8]，.．.SMA的{0.05, 0.01},“SMALags”, 8 [4],' 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(8) and MA(8) (Gaussian Distribution)”分布:Name = "高斯"截距:1 Beta: [6] P: 14 D: 1 Q: 9 AR:{0.2}滞后[1]SAR:{0.5 0.2}滞后[4 8]MA:{0.1}滞后[1]SMA:{0.05 0.01}滞后[4 8

如果不指定萨拉格斯或者SMALags的系数特别行政区和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,.．.“马”, 0.1,“特别行政区”{0.5, 0.2},SMA的{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