这个例子展示了如何使用乘法季节性ARIMA模型来模拟样本路径模拟
。时间序列是1949年至1960年国际航空公司每月的乘客数量。
加载数据集Data_Airline
。
负载(“Data_Airline.mat”);y =日志(数据);T =长度(y);Mdl = arima (“不变”,0,' D ',1,“季节性”12...“MALags”,1,“SMALags”12);EstMdl =估计(Mdl y);
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} -0.37716 0.066794 -5.6466 1.6364e-08 SMA{12} -0.57238 0.085439 -6.6992 2.09502 -11方差0.0012634 0.00012395 10.193 2.1406e-24
res =推断(EstMdl y);
使用拟合模型模拟60个月(5年)期间航空公司乘客数量的25个实现。使用观察序列和推断残差作为样本前数据。
rng (“默认”) Ysim =模拟(EstMdl,60,“NumPaths”25岁的“Y0”, y,“E0”res);mn =意味着(Ysim, 2);图绘制(y,“k”)举行在情节(T + 1: T + 60, Ysim,“颜色”[.85、.85 .85]);h =情节(T + 1: T + 60、锰、“k——”,“线宽”2);xlim ([0, T + 60])标题(“模拟航空乘客统计”)传说(h,“模拟的意思”,“位置”,“西北”)举行从
模拟预报显示出与观测序列相似的增长和季节周期性。
使用模拟来估计在未来5年的某个时候,航空公司的旅客计数将达到或超过值7的概率。计算与估计概率相关的蒙特卡罗误差。
rng默认的Ysim =模拟(EstMdl 60“NumPaths”, 1000,“Y0”, y,“E0”res);7 = sum(Ysim >= 7) > 0;太好了=意味着(七国集团)
太好了= 0.3910
呃=√酷毙了* (1-phat) / 1000)
呃= 0.0154
在未来5年内,航空公司的(日志)乘客数量达到或超过7人的概率大约为39%。估计的蒙特卡罗标准误差约为0.02。
使用模拟来绘制未来60个月的航空旅客数量分布(日志)。
:图直方图(Ysim(60), 10)标题(“60个月内旅客人数的分布情况”)