此示例显示了如何进行拟合支票的良好。残余诊断图有助于验证模型假设,并且交叉验证预测检查有助于评估预测性能。时间序列是1949年至1960年的每月国际航空公司乘客编号。
加载航空公司数据集。
加载('data_airline.mat')y =日志(数据);t =长度(y);MDL = Arima(“不变”,0,'D',1,'季节性',12,......'马格加尔',1,“SMALags”12);EstMdl =估计(Mdl y);
Arima(0,1,1)模型与季节性MA(12)(高斯分布)季节性地集成(高斯分布):价值标准误节Tstatistic pvalue _________ _________________________常数0 0 NaN NaN MA {1} -0.37716 0.066794-08 SMA {12} -0.57238 0.085439 -6.6992 2.0952E-11方差0.0012634 0.00.12395 10.193 2.1406E-24
拟合模型的一个假设是该创新遵循高斯分布。推断残差,并检查它们是否正常。
Res =推断(Estmdl,Y);stres = res / sqrt(estmdl.variance);图形子图(1,2,1)QQPLOT(Stres)x = -4:.05:4;[f,xi] = ksdenty(stres);子图(1,2,2)绘图(xi,f,“k”那'行宽'2);持有在情节(x, normpdf (x)'r--'那'行宽'2)传说('标准化残差'那标准正态的)举行从
分位数 - 分位数图(QQ-PLOT)和核密度估计显示没有明显的正常假设违规。
确认残差是不相关的。查看标准化残差的样本自相关函数(ACF)和部分自相关函数(PACF)图。
图形子图(2,1,1)AutoCorR(Stres)子图(2,1,2)ParcorR(Stres)
(h p) = lbqtest(度假,“滞后”,[5,10,15],'DOF',[3,8,13])
H =1 x3逻辑阵列0 0 0.
P =1×30.1842 0.3835 0.7321
样本ACF和PACF图无显著自相关。更正式的做法是,在滞后5、10和15处进行Ljung-Box q测试,自由度分别为3、8和13。自由度解释了两个估计的移动平均系数。
Ljung-Box Q-Test证实了样品ACF和PACF结果。所有自相关的NULL假设,所有自相关的都不会被拒绝到测试滞后(H = 0.
)来弥补这三次滞后中的任何一次。
使用抵抗样本计算模型的预测MSE。使用前100个观测值来估计模型,然后预测接下来的44个周期。
日元= y (1:10 0);y2 = y(101:结束);Mdl1 =估计(Mdl, y1);
ARIMA(0,1,1)模型季节性与季节性MA(12)(高斯分布)的整合:值StandardError TStatistic PValue _________ _____________ __________ __________ Constant 00 NaN NaN MA{1} -0.35674 0.089461 -3.9876 6.6739e-05 SMA{12} -0.63319 0.098744 -6.4124 1.4326e-10方差0.0013285 0.00015882 8.365 6.013e-17
44岁的yF1 =预测(Mdl1'y0',y1);PMSE =平均值((y2-yf1)。^ 2)
PMSE = 0.0069.
图绘图(Y2,'r'那'行宽',2)持有在情节(YF1,'k-'那'行宽'1.5) xlim([0, 44])标题(预测误差的) 传奇('观察到的'那'预报'那“位置”那'西北')举行从
该模型的预测能力相当好。您可以选择比较此模型的PMSE与竞争模型的PMSE,以帮助选择模型。