估计Arima模型
此示例显示了如何估算自回归综合移动平均(Arima)模型。
有时需要包含非静止趋势(季节性)的时间序列模型。一类此类模型是Arima模型。这些模型包含噪声源中的固定积分器。因此,如果ARMA模型的控制方程表示为a(q)y(t)= ce(t), 在哪里a(q)代表自动回归术语和C(q)移动平均项,ARIMA模型的相应模型表示为
这个术语在哪里 代表离散时间集成器。同样,您可以制定ARI和ARIX模型的方程式。
使用时间序列模型估计命令AR.
那ARX.
和armax.
您可以将集成商介绍到噪声源中E.(T.的)
。你使用的是这样做的Integatenoise.
估计命令中的参数。
估计方法不考虑时间序列数据中的任何常量偏移。引入噪声积分器的能力不限于单独的时间序列数据。您还可以为输入输出模型进行,其中干扰可能受季节性。一个例子是Arimax结构的多项式模型:
看看armax.
示例的参考页面。
用线性趋势估算标量时间序列的ARI模型。
加载Iddata9.Z9.ts = z9.ts;y = cumsum(z9.y);型号= AR(y,4,'ls'那'Ts',ts,'IntegataTenoise', 真的);%5步前预测比较(y,model,5)
估计多变量时间序列模型,使得噪声积分仅在两个时间序列中的一个中存在。
加载Iddata9.Z9.ts = z9.ts;y = z9.y;Y2 = Cumsum(Y);%人为地构建一分偏见时间序列数据= IDDATA([Y,Y2],[],TS);na = [4 0;0 4];nc = [2; 1];model1 = ARMAX(数据,[NA NC],'IntegataTenoise',[错误的;真的]);%预测时间序列100进入未来YF =预测(Model1,数据(1:100),100);绘图(数据(1:100),YF)
如果输出耦合(纳
不是对角线矩阵),情况将更复杂,简单地将集成商添加到第二噪声通道不起作用。