超类:
使用ARIMA时间序列误差创建回归模型
富豪
创建一个具有ARIMA时间序列误差的回归模型保持回归系数的敏感性。
默认情况下,时间序列误差(也称为无条件扰动)是独立的、同分布的、平均为0的高斯随机变量。如果错误具有自相关结构,那么您可以为它们指定模型。模型包括:
移动平均线(MA)
自回归(AR)
混合自回归和移动平均
综合(ARIMA)
乘法季节性(SARIMA)
指定包含已知系数的误差模型:
创建一个ARIMA误差为0度且没有回归系数的回归模型。Mdl
=regARIMA
建立了一个具有自回归度的非季节性线性时间序列的误差回归模型Mdl
= regARIMA (P
,D
,Q
)P
,差异度D
,以及移动平均度Q
.
使用一个或多个指定的附加选项创建具有ARIMA错误的回归模型Mdl
= regARIMA (名称、值
)名称、值
对参数。的名字
也可以是属性名和价值
为对应值。的名字
必须出现在单引号内(''
).你可以指定几个名称、值
将任意顺序的参数配对为Name1, Value1,…,的家
.
对于具有非季节ARIMA误差的回归模型,使用P
,D
,Q
. 对于具有季节性ARIMA误差的回归模型,使用名称、值
对参数。
|
误差模型的非季节性、自回归多项式度,指定为正整数。 |
|
误差模型的非季节性积分度,指定为非负整数。 |
|
误差模型的非季节移动平均多项式次数,指定为正整数。 |
指定可选的逗号分隔的字符对名称、值
参数。的名字
是参数名和价值
为对应值。的名字
必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
|
回归模型截距,指定为逗号分隔对,由 违约: |
|||||||||||||
|
与预测器数据相关的回归模型系数,指定为逗号分隔对组成 违约: |
|||||||||||||
|
非季节性的,自回归系数的误差模型,指定为逗号分隔对组成
的系数 违约:细胞载体 |
|||||||||||||
|
误差模型的非季节性、移动平均系数,指定为逗号分隔对组成
违约:细胞载体 |
|||||||||||||
|
与系统相关的滞后 违约:整数向量1,2,。。。,P,非季节自回归多项式次数。 |
|||||||||||||
|
与系统相关的滞后 违约:整数向量1,2,。。。,Q,非季节性移动平均多项式次数。 |
|||||||||||||
|
季节、自回归系数为误差模型,指定为逗号分隔对组成
的系数 违约:细胞载体 |
|||||||||||||
|
错误模型的季节性、移动平均系数,指定为逗号分隔对组成
的系数 违约:细胞载体 |
|||||||||||||
|
与系统相关的滞后 违约:整数向量1,2,。。。,Ps,季节自回归多项式次数。 |
|||||||||||||
|
与系统相关的滞后 违约:整数向量1,2,。。。,Qs,季节移动平均多项式次数。 |
|||||||||||||
|
误差模型的非季节差分多项式度(即非季节积分度),指定为逗号分隔对组成 违约: |
|||||||||||||
|
误差模型的季节性差分多项式次数,指定为逗号分隔对,包括 违约: |
|||||||||||||
|
模型创新的方差εT,指定为逗号分隔对,由 违约: |
|||||||||||||
|
创新过程的条件概率分布,指定为逗号分隔对,包括
违约: |
|||||||||||||
|
描述模型的字符串标量或字符向量。默认情况下,这个参数描述模型的参数形式,例如, |
指定与季节多项式相关的滞后特别行政区
和SMA
观察数据的周期性,而不是季节性
参数此约定不符合标准Box和Jenkins[1]符号,但它是一种更灵活的方法,用于合并乘法季节性。
|
细胞向量的非季节性,自回归系数对应一个稳定的多项式误差模型。相关的滞后是1,2,…,P,它是非季节性的,自回归多项式次,或如 |
|
与预测器数据矩阵列相对应的回归系数实向量。 |
|
非负整数表示误差模型的非季节性整合程度。 |
|
用于模型描述的字符串标量。 |
|
数据结构为创新过程的条件概率分布。这个领域 |
|
错误模型中的标量截距。 |
|
细胞向量的非季节性移动平均系数对应一个可逆多项式的误差模型。相关的滞后是1,2,…,Q达到非季节移动平均多项式的阶数,或如 |
|
标量,复合自回归多项式的误差模型。
|
|
标量、复合移动平均多项式误差模型。
|
|
细胞向量的季节自回归系数对应一个稳定的多项式的误差模型。相关的滞后是1,2,…,Ps,为季节自回归多项式次,或如 |
|
季节移动平均系数的单元向量,对应于误差模型的可逆多项式。相关滞后为1,2,。。。,Qs,即季节移动平均多项式次,或如 |
|
非负整数表示误差模型的季节差分多项式次数。 |
|
模型创新的正标量方差。 |
阿里玛 | 将具有ARIMA误差的回归模型转换为ARIMAX模型 |
估计 | 用ARIMA误差估计回归模型的参数 |
过滤器 | 通过带ARIMA误差的回归模型对干扰进行滤波 |
预测 | ARIMA误差回归模型的预测响应 |
冲动 | ARIMA误差回归模型的脉冲响应 |
推断出 | 利用ARIMA误差推断回归模型的创新之处 |
打印 | (待删除)显示具有ARIMA误差的回归模型的估计结果 |
模拟 | 具有ARIMA误差的蒙特卡罗模拟回归模型 |
总结 | 显示带有ARIMA误差的回归模型估计结果 |
价值。要了解值类如何影响复制操作,请参见复制对象(MATLAB)。
[1]博克斯,g。e。P。g。m。Jenkins和g。c。Reinsel。时间序列分析:预测与控制. 第三版恩格尔伍德悬崖,新泽西州:普伦蒂斯大厅,1994年。