时间序列模型的共同目标是生成预测在未来一段时间地平线的过程。也就是说,给出一个观察系列ÿ1,ÿ2,...,ÿñ并预测地平线H,生成预测
让 表示预测为在时间过程中Ť+ 1,有条件的过程中达到时间的历史Ť,HŤ和外源性协系列可达时间Ť+ 1,XŤ+ 1,如果回归成分包括在模型中。最小均方误差(MMSE)的预测是预测 最小化预期平方损失,
最小化这个损失函数产生的MMSE预测,
预测
产生MMSE预测该预测
的函数递归生成MMSE预测。您打电话的时候预测
,你指定模型MDL
,预测期numperiods
和样品前体反应Y0
。您可以选择指定的样品前创新'E0'
,条件方差'V0'
和外生数据'X0'
通过使用名称 - 值对的参数。虽然预测
不需要X0
或预测样本外生数据XF
,如果您指定X0
那么你还必须指定XF
。
要根据观测系列,年底开始预测说ÿ
使用的最后几意见ÿ
作为样品前回应Y0
初始化预测。有几点要记住,当你指定样品前数据:
所需的初始化预测响应的最小数目存储在属性P
的华宇
模型。如果您提供过少的样品前观察,预测
返回一个错误。
如果预测与MA部件的模型,然后预测
需要样品前创新。需要创新的数量存储在属性Q
的华宇
模型。如果你也有一个条件方差模型,则还必须考虑任何样品前创新它要求。如果指定样品前体的创新,但还不够,预测
返回一个错误。
如果不指定任何样品前体的创新,但指定足够的样品前回复(至少P
+Q
)和外源性协变量的数据(至少在样品前体应答减去的数P
), 然后预测
自动推断样品前创新。在一般情况下,您所提供的时间越长,样品前响应系列,更好的推断样品前创新会。如果你提供样品前体反应和外生协变量数据,但还不够,预测
套样品前创新等于零。
如果预测与回归部件的模型,然后预测
需要在预测期间所有时间点的未来外生协变量数据(numperiods
)。如果你提供未来的外生协变量数据,但还不够,那么预测
返回一个错误。
考虑生成预测的AR(2)过程中,
鉴于样品前观察 和 预报递归生成如下:
对于静止的AR过程,这个递归收敛到过程的无条件均值,
对于MA(2)过程中,例如,
你需要2个样品前创新初始化的天气预报。所有的时间创新ñ+ 1和更大的被设置为它们的期望,为零。因此,对于MA(2)过程中,对于任何时间在未来超过2个步骤的预测是无条件均值,μ。
预测均方根误差为小号- 工序提前预测由下式给出
考虑给出的条件均值模型
哪里 。综上所述滞后创新的差异来获得小号-step MSE,
哪里 表示创新方差。
对于平稳过程,无限滞后算多项式的系数是绝对可,并且MSE收敛于该过程的无条件方差。
对于非平稳过程,这一系列不收敛,并预测误差随时间增长。