估计Arima模型

打开直播脚本

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

$一种（问：的） y （ T. 的） = \frac{C （问：的）}{（ 1 - {问：}^{- 1} 的）} E. （ T. 的）$

这个术语在哪里 $\frac{1}{1 - {问：}^{- 1}}$ 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：

$一种（问：的） y （ T. 的） = B. （问：的）你（ T. 的） + \frac{C （问：的）}{（ 1 - {问：}^{- 1} 的）} E. （ T. 的）$

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）

图包含轴对象。轴对象包含2个类型的物体。这些对象表示验证数据（Y1），型号：78.76％。

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）

图包含2个轴对象。带标题Y1的轴对象1包含2个类型的2个对象。这些对象代表UNTITLED1，YF。带标题Y2的轴对象2包含2个类型的2个对象。这些对象代表UNTITLED1，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。