主要内容
指定乘法Arima模型
此示例显示如何使用季节性Arima模型使用阿玛玛．时间序列是1949年至1960年国际航空公司每月的乘客数量。
加载航空公司乘客数据。
加载航空公司数据集，然后绘制每月乘客总数的自然日志。
加载（'data_airline.mat'）y =日志（数据）;t =长度（y）;图绘图（日期，y）xlim（[1，t]）datetick（'X'那'mmmyy'）轴紧的标题（'log航空公司乘客'）ylabel（'（成千上万）'的）
数据看起来不是，具有线性趋势和季节性周期性。
绘制季节性整合系列。
计算差异系列， ， 在哪里 是原始的日志转换数据。绘制差异系列。
A1 = Lagop（{1，-1}，'滞后'，[0,1]）;A12 = Lagop（{1，-1}，'滞后'，[0,12]）;Dy =滤波器（A1 * A12，Y）;图绘制（Dy）标题（'差别日志航空公司乘客'的）
差异系列似乎是静止的。
绘制样本自相关函数（ACF）。
图自动罗特（Dy，'numlags'，50）
差异系列的样品ACF在延迟中显示出显着的自相关，这是12的延迟。在较小的滞后也存在潜在显着的自相关。
指定季节性Arima模型。
盒子，詹金斯和reinsel建议乘法季节模型，
对于此数据集（Box等，1994）。
指定此模型。
MDL = Arima（“不变”，0，'D'，1，'季节性'，12，......'马格加尔'，1，'smalags'，12）
描述:“arima(0,1,1)模型与季节性MA(12)(高斯分布)的季节性整合”分布:Name = "Gaussian" P: 13 D: 1 Q: 13 Constant: 0 AR: {} SAR: {} MA: {NaN} at lag [1] SMA: {NaN} at lag[12]季节性:12 Beta: [1×0] Variance: NaN .
财产P.等于13.，对应于非季度和季节性差异度（1 + 12）的总和。财产问：也等于13.，对应非季节性和季节性MA多项式的次数之和(1 + 12)。需要估计的参数是有价值的南．
参考：
Box，G. E.P.，G. M. Jenkins和G. C. Reinsel。时间序列分析：预测和控制．3 ed。Englewood Cliffs，NJ：Prentice Hall，1994年。
也可以看看
相关例子
更多关于
您还可以从以下列表中选择一个网站：
