主要内容

验证regARIMA模型的预测能力和鲁棒性

打开实时脚本

这个例子展示了如何预测有ARIMA误差的回归模型，以及如何检查模型的可预测性鲁棒性。

加载Credit Defaults数据集，分配响应(IGD)y预测因子年龄，论坛,SPR来X．为了说明，指定响应序列是一个具有AR(1)误差的回归模型。为了避免偏离本例的目的，假设所有预测器系列都是固定的。

负载Data_CreditDefaultsy = Data(:，5);X =数据(:，[1 3:4]);T = size(X,1);%样本量Mdl = regARIMA(1,0,0);

改变验证样本量(米)，并预测来自Mdl递归。也就是说，对于每个验证样本量:

  1. 将模型与数据拟合(EstMdlY）.

  2. 来自估计模型的预测响应(yF）.

  3. 计算两个性能统计数据，RMSE (root mean square error)和RMSE (root prediction mean square error)。

M = 4:10;%验证样本长度rPMSE = m;预分配rPMSErMSE = m;%预分配rMSE为K = 1:数字(m);yEst = y(1:(T-m(k)));用于估计的响应数据yVal = y((T-m(k)+1):T);%验证样品EstMdlY =估计(Mdl,yEst，“X”, X,“显示”，“关闭”）;yHat = EstMdlY。截距+ X(1:(T-m(k))，:)*EstMdlY.Beta';.．.%估计样本预测值[e0,u0] = infer(EstMdlY,yEst，“X”, X);yF =预测(EstMdlY,m(k)，“Y0”是的,.．.“X0”X (1: t m (k):),“XF”X (T m (k) + 1): T:));.．.%验证样本预测值rMSE(k) =√(mean(yEst - yHat).^2);rPMSE(k) =√(mean((yF - yVal).^2));结束

rMSE而且rPMSE分别包含每个验证样本的RMSE和RPMSE的向量。

显示性能指标。

流('\n m | rMSE | rMSE \n'）
m | rMSE | rMSE
流('====================\ n '）
====================
为K = 1:长度(m)'%2d | %0.4f | %0.4f\n'm (k), rMSE (k), rPMSE (k))结束
4 | 0.0947 | 0.2274 5 | 0.0808 | 0.1902 6 | 0.0810 | 0.2036 7 | 0.0714 | 0.1924 8 | 0.0809 | 0.1532 9 | 0.0720 | 0.1557 10 | 0.0899 | 0.1300

这个模型的预测能力是相当稳健的，因为rPMSE略有增加的变化米．然而,rMSE小于rPMSE对所有米．这意味着预测能力较差。

通过指定，例如，在误差模型中有更多的AR或MA滞后来搜索更好的模型，并在这些模型中比较pmse。对于给定的验证样本量，选择PMSE最低的模型。

另请参阅

||

相关的例子

更多关于