带有ARIMA误差的MMSE预测回归模型
什么是MMSE预测?
时间序列分析的一个目标是对未来时间范围内的响应进行预测。也就是说,您可以生成预测yT+ 1,yT+ 2、……yT+ h考虑到以下情况:
观测序列y1,y2、……yT
预测范围h
Nonstochastic预测x1,x2、……xT、……xT+h,在那里xk是一个r-包含测量值的向量r当时观察到的预测因子k
一个带有ARIMA误差的回归模型
在H (l)及N(l)分别为复合自回归和移动平均滞后算子多项式(可能包含积分)。
让 表示对该过程的预测t+ 1,条件是到目前为止的进程历史t(Ht),并假设预测因子是固定的。最小均方误差(MMSE)预测是预测结果 使期望平方损失最小化,
最小化这个损失函数得到MMSE预测,
预测如何生成MMSE预测
预测
递归生成MMSE预测。当你打电话时预测
,则必须指定aregARIMA
模型(Mdl
)和预测的水平线。您还可以指定预样本观察值(Y0
),预测因子(X0
)、创新(E0
),以及条件干扰(情况
)使用名称-值对参数。
开始预测yt从时间开始T+ 1,用最后几个观察值yt而且Xt作为预示例响应和预测器来初始化预测。或者,您可以指定预采样的无条件干扰或创新。
然而,当你指定预采样数据时:
如果你提供预样本预测数据(
X0
),然后你还必须提供预测器预测(XF
).最好的做法是设置X0
用相同的预测矩阵来估计参数。如果你不提供预样本和未来预测,那么预测
忽略模型中的回归组件。如果错误处理
Mdl
包含季节或非季节自回归分量,或季节或非季节积分,则预测
至少需要P预采样无条件扰动来初始化预测。房地产P
的Mdl
商店P.如果错误处理
Mdl
包含季节性或非季节性移动平均分量,则预测
至少需要问预采样创新来初始化预测。房地产问
的Mdl
商店问.如果你提供足够量的预采样无条件扰动,那么
预测
忽略了Y0
而且X0
.如果你也不提供E0
,但提供足够的前置无条件扰动,则预测
从ARIMA误差模型和中推断出所需的预样创新量情况
.如果您提供了足够数量的预示例响应和预测器(并且不提供
情况
),然后预测
利用回归模型来推断预采样的无条件扰动。如果你不提供预先的观察,那么
预测
将预采样无条件扰动和创新所需的数量设置为0。如果你提供的预样本观测量不足,那么
预测
返回一个错误。
考虑从ARMA(3,2)误差的回归模型生成预测:
在哪里一个(l),B(l)为滞后算子多项式。最大AR滞后为3,最大MA滞后为2。该模型不包含任何季节性滞后或集成。因此,P= 3和问= 2。要预测这个模型,你需要三个预样本响应和预测器,或者三个预样本无条件扰动,和两个预样本创新。
假定有无条件扰动 presample创新 未来预测者 可以对模型进行如下预测:
...
注意:
未来的创新具有无条件的平均值,0。
对于平稳误差过程,比如下面这个:
预测的无条件扰动收敛到它们的无条件均值,
c+Xtβ控制预测响应的长期行为。
预测误差
预测误差年代有ARIMA误差的回归模型的-步前预测为
红利在哪里ψ(l)为无限滞后算子多项式,且σ2就是创新方差。
如果误差过程是平稳的,则ψ(l)是完全可以总结的。因此,均方误差(MSE)收敛于过程的无条件方差[1].
如果误差过程不是平稳的,则MSE随增加而增大年代.
参考文献
[1]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。