带有乘法季节ARIMA误差的回归模型预测
这个例子展示了如何使用乘法季节ARIMA模型进行预测预测
.响应序列是1949年至1960年每月的国际航空乘客人数。
加载航空公司和衰退数据集。转换响应。
负载Data_Airline负载Data_Recessionsy = log(datatitable . pssg);
构造预测器(X
),以确定该国在抽样期间是否处于衰退。一行中的0t意味着这个月国家没有陷入衰退t,和一行中的1t意思是这个月经济衰退了t.
X = 0(数字(日期),1);%预先配置为j = 1:size(衰退,1)X(日期>=衰退(j,1) &日期<=衰退(j,2)) = 1;结束
定义索引集,将数据划分为估计样本和预测样本。
nSim = 60;%预测周期T =长度(y);estInds = 1:(T-nSim);foreInds = (T- nsim +1):T;
用乘法季节性ARIMA}估计回归模型 错误:
将回归模型截距设置为0,因为它在具有集成误差的模型中是不可识别的。
Mdl = regARIMA(' D ', 1“季节性”12“MALags”, 1“SMALags”12...“拦截”, 0);EstMdl =估计(Mdl,y(estInds),“X”X (estInds));
用ARIMA(0,1,1)误差模型季节性集成季节性MA(12)(高斯分布)回归:Value StandardError TStatistic PValue _________ _____________ __________ __________截距00 NaN MA{1} -0.35662 0.10393 -3.4312 0.00060088 SMA{12} -0.67729 0.11294 -5.9972 2.0077e-09 Beta(1) 0.0015098 0.020533 0.07353 0.94138方差0.0015198 0.00021411 7.0983 1.2631e-12
使用模型的估计系数(包含在EstMdl
),以生成60个月的MMSE预测及相应的均方误差。使用观测序列作为预样本数据。默认情况下,预测
使用指定的模型和观测结果推断预样创新和无条件扰动。
[YF,YMSE] =预报(EstMdl,nSim,“X0”X (estInds),...“Y0”y (estInds),“XF”X (foreInds));ForecastInt = [YF,YF] + 1.96*[-sqrt(YMSE), sqrt(YMSE)];fh = datatitable . time (foreInds);figure h1 = plot(datatitable . time,y);标题(“{\bf预测每月乘客总数}”)举行在h2 = plot(fh,YF,“颜色”,“r”,“线宽”2);h3 = plot(fh,ForecastInt,“k——”,“线宽”2);传奇([h1, h2, h3(1)]。“观察”,“MMSE预测”,...95% MMSE预测区间,“位置”,“西北”)轴紧持有从
具有SMA误差的回归模型似乎很好地预测了该系列,尽管略有高估。由于误差过程是非平稳的,预测区间随着时间的增加而增大。
通过模拟500个样本路径,比较MMSE预测和蒙特卡罗预测EstMdl
超出了预测范围。
[e0,u0] = infer(EstMdl,y(estInds),“X”X (estInds));rng (5);numPaths = 500;ySim =模拟(EstMdl,nSim,“numPaths”numPaths,...“E0”下,,“情况”情况,“X”X (foreInds));meanYSim = mean(ySim,2);ForecastIntMC = [prctile(ySim,2.5,2),prctile(ySim,97.5,2)];figure h1 = plot(fh,y(foreInds));标题(“{\bf预测每月乘客总数}”)举行在h2 = plot(fh,YF,“颜色”(0.85, 0.85, 0.85),...“线宽”4);h3 = plot(fh,ForecastInt,“——”,“颜色”,...(0.85, 0.85, 0.85),“线宽”4);h4 = plot(fh,meanYSim,“k”,“线宽”2);h5 = plot(fh,ForecastIntMC,“k——”,“线宽”2);传奇([h1, h2, h3 (1), h4, h5(1)]。“观察”,...“MMSE预测”,95% MMSE预测区间,...“蒙特卡罗预测”,95%蒙特卡罗预测区间,...“位置”,“西北”)轴紧持有从
MMSE预测和蒙特卡罗平均预测几乎没有区别。但理论95%预测区间与基于模拟的95%预测区间略有差异。