这个例子展示了如何使用非季节性的整合来估计ARIMA模型估计
.在估计之前,这个系列是没有差异的。结果将与Box- jenkins建模策略进行比较,其中数据首先是差分的,然后建模为一个平稳的ARMA模型(Box et al., 1994)。
时间序列是从1972年到1991年的每季度澳大利亚消费价格指数(CPI)的对数。
加载并绘制澳大利亚CPI数据。
负载Data_JAustraliany = DataTable.PAU;T =长度(y);图绘制(y);甘氨胆酸h =;定义当前轴的句柄h.XLim = [0, T];%设置x轴限制h.XTickLabel = datestr(日期(1:10:T), 17);%标记x轴标记标题(“记录澳大利亚季度CPI”)
该序列是非平稳的,有明显的上升趋势。这表明,在使用平稳模型(如Box-Jenkins方法所建议的)或直接拟合非平稳ARIMA模型之前,需要对数据进行区分。
指定一个ARIMA(2,1,0)模型,并估计。
Mdl = arima (2 1 0);EstMdl =估计(Mdl y);
ARIMA(2,1,0)模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ __________ Constant 0.010072 0.0032802 3.0707 0.0021356 AR{1} 0.21206 0.095428 2.2222 0.02627 AR{2} 0.33728 0.10378 3.2499 0.0011543方差9.2302e-05 1.1112e-05 8.3066 9.8491e-17
估计模型为
在哪里 为正态分布,标准差为0.01。
估计AR系数的符号与模型方程右侧的AR系数对应。在滞后算子多项式表示法中,拟合模型为
AR系数上有相反的符号。
取数据的第一个差值。使用差异数据估计AR(2)模型。
dY = diff (y);MdlAR = arima (2 0 0);EstMdlAR =估计(MdlAR、dY);
ARIMA(2,0,0)模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ _________ Constant 0.010429 0.0038043 2.7414 0.0061183 AR{1} 0.20119 0.10146 1.9829 0.047375 AR{2} 0.32299 0.11803 2.7364 0.0062115方差9.4242e-05 1.1626e-05 8.1062 5.222e-16
参数点的估计非常类似于EstMdl
.然而,当数据在估计前有差异时,标准误差会更大。
使用估计的AR模型作出的预测(EstMdlAR
)将以不同的规模。使用估计的ARIMA模型(EstMdl
)将以与原始数据相同的比例计算。
引用:
博克斯,g。e。P。g。m。Jenkins和g。c。Reinsel。时间序列分析:预测与控制.3版。恩格尔伍德悬崖,NJ: Prentice Hall, 1994。