估计乘法ARIMA模型
这个例子展示了如何估计一个乘法季节ARIMA模型使用估计
.时间序列是1949年至1960年每月国际航空乘客人数。
加载数据并指定模型。
加载航空公司数据集。
负载Data_Airliney = log(数据);T =长度(y);Mdl = arima(“不变”0,' D ', 1“季节性”12...“MALags”, 1“SMALags”12);
估计模型。
使用前13个观测值作为预样本数据,其余131个观测值用于估计。
Y0 = y(1:13);[EstMdl,EstParamCov] =估计(Mdl,y(14:end),“Y0”, y0)
ARIMA(0,1,1) Model Seasonal Integrated with Seasonal MA(12)(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant 00 NaN NaN MA{1} -0.37716 0.073426 -5.1366 2.7972e-07 SMA{12} -0.57238 0.093933 -6.0935 1.1047e-09 Variance 0.0013887 0.00015242 9.1115 8.1249e-20
EstMdl = arima与属性:描述:“arima(0,1,1)模型与季节MA(12)(高斯分布)季节性集成”分布:名称= "高斯" P: 13 D: 1 Q: 13常数:0 AR: {} SAR: {} MA: {-0.377161} at lag [1] SMA: {-0.572379} at lag[12]季节性:12 Beta: [1×0]方差:0.00138874
EstParamCov =4×40000 0 0.0054 -0.0015 -0.0000 0 -0.0015 0.0088 0.0000 0 -0.0000 0.0000 0.0000
拟合模型为
创新方差为0.0014。
注意,模型常数没有被估计,而是固定为零。常数项没有相应的标准误差或t统计量。与常数项对应的方差-协方差矩阵中的行(和列)均为零。
推断出残差。
从拟合模型中推断残差。
res = infer(EstMdl,y(14:end),“Y0”, y0);图(14:T,res) xlim([0,T])“残差”)轴紧
当你使用前13个观测值作为预样本数据时,从第14个时间开始就可以得到残差。
引用:
博克斯,g.e.p., g.m.詹金斯,g.c.赖塞尔。时间序列分析:预测与控制.恩格尔伍德悬崖,新泽西州:普伦蒂斯大厅,1994年。