估计ARIMA或ARIMAX模型参数
EstMdl =估计(Mdl, y)
[EstMdl,EstParamCov,logL,信息] =估计(MDL,y)的
[EstMdl,EstParamCov,logL,信息] =估计(MDL,Y,名称,值)
使用最大似然估计ARIMA的参数(p,D,问)模型EstMdl
=估计(Mdl
,y
)Mdl
给定的观察到的单变量时间序列y
。EstMdl
是一个华宇电脑
模型存储结果。
[EstMdl,
此外回报EstParamCov
,logL
,信息
)=估计(Mdl, y)EstParamCov
,与估计参数相关的方差-协方差矩阵,logL
,优化的对数似然目标函数信息
,一种数据结构的汇总信息。
[EstMdl,EstParamCov,logL,信息] =估计(MDL,Y,
用一个或多个指定的附加选项估计模型名称,值
)名称,值
对参数。
Mdl
- - - - - -ARIMA或ARIMAX模型华宇电脑
模型ARIMA或ARIMAX模型,指定为华宇电脑
返回的模型华宇电脑
或估计
。
估计
对非南
元素Mdl
由于等式约束而不估计相应的参数。
y
- - - - - -响应数据的单一路径模型所适合的响应数据的单一路径,指定为数值列向量。最后的观察y
是最新的。
数据类型:双
指定可选的逗号分隔的对名称,值
参数。名称
参数名和价值
是对应的值。名称
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
。
“AR0”
- - - - - -非季节性自回归系数的初步估计ARIMA模型的非季节性自回归系数的初始估计,指定为逗号分隔的对“AR0”
和一个数字向量。
系数的个数AR0
必须等于非季节自回归多项式中与非零系数相关的滞后次数,ARLags
。
默认情况下,估计
使用标准时间序列技术获取初始估计。
数据类型:双
“Beta0”
- - - - - -回归系数的初步估计回归分量的回归系数的初始估计,指定为逗号分隔对“Beta0”
和一个数字向量。
系数的个数Beta0
必须等于的列数X
。
默认情况下,估计
使用标准时间序列技术获取初始估计。
数据类型:双
“Constant0”
- - - - - -初始ARIMA模型常数估计初始ARIMA模型常数估计,指定为逗号分隔对组成“Constant0”
和一个标量。
默认情况下,估计
使用标准时间序列技术获取初始估计。
数据类型:双
“显示”
- - - - - -命令窗口显示选项“参数”
(默认)|“诊断”
|“全部”
|“通路”
|“关闭”
|字符串向量|字符向量的单元向量命令窗口显示选项,指定为逗号分隔的一对组成的“显示”
和一个值或表中任何值的组合。
价值 | 估计显示 |
---|---|
“诊断” |
优化诊断 |
“全部” |
最大似然参数估计,标准误差,t统计,迭代优化信息,并优化诊断 |
“通路” |
迭代优化的信息 |
“关闭” |
在命令窗口不显示 |
“参数” |
最大似然参数估计值,标准误差,以及t统计数据 |
例如:
要在拟合多个模型并因此希望抑制所有输出的情况下运行模拟,请使用“显示”,“关闭”
。
若要显示所有评估结果和优化诊断,请使用“显示”,{“参数”、“诊断”}
。
数据类型:字符
|细胞
|串
“DoF0”
- - - - - -最初的t-分布自由度参数估计10
(默认)|积极的标量最初的t- 配送度的自由度参数估计,指定为逗号分隔的一对组成的“DoF0”
一个正的标量。DoF0
必须超过2。
数据类型:双
“E0”
- - - - - -Presample创新Presample创新的均值为0,并为ARIMA(p,D,问)模型,指定为逗号分隔的对“E0”
和一个数字列向量。
E0
必须至少包含Mdl.Q
行。如果使用条件方差模型,例如agarch
模型,那么软件可能需要更多Mdl.Q
presample创新。
如果E0
然后包含额外的行估计
使用了最新的Mdl.Q
presample创新。最后一行包含最新的presample创新。
默认情况下,估计
设置必要的压力充足的创新0
。
数据类型:双
“MA0”
- - - - - -非季节性移动平均系数的初步估计非季节性移动平均系数的初步估计(p,D,问)模型,指定为逗号分隔的对“MA0”
和一个数字向量。
系数的个数MA0
必须等于非季节移动平均多项式中与非零系数相关的滞后次数,MALags
。
默认情况下,估计
使用标准时间序列技术获取初始估计。
数据类型:双
“选项”
- - - - - -优化选项optimoptions
优化控制器优化选项,指定为逗号分隔的一对组成的“选项”
和一个optimoptions
优化控制器。有关更改优化器默认值的详细信息,请参阅optimoptions
或fmincon
在优化工具箱™。
例如,将约束公差更改为1E-6
,设置选择= optimoptions (@fmincon ConstraintTolerance的1 e-6,“算法”,“sqp”)
。然后,通过选项
成估计
运用“选项”,选择
。
默认情况下,估计
使用与相同的默认选项fmincon
,除了算法
是“sqp”
和ConstraintTolerance
是1E-7
。
“SAR0”
- - - - - -季节自回归系数的初步估计ARIMA季节自回归系数的初步估计(p,D,问)模型,指定为逗号分隔的对“SAR0”
和一个数字向量。
系数的个数SAR0
必须等于季节自回归多项式中与非零系数相关的滞后次数,SARLags
。
默认情况下,估计
使用标准时间序列技术获取初始估计。
数据类型:双
'SMA0'
- - - - - -季节移动平均系数的初步估计对于季节性ARIMA移动平均系数的初始估计(p,D,问)模型,指定为逗号分隔的对'SMA0'
和一个向量。
系数的个数SMA0
必须等于在季节性移动平均多项式与非零系数滞后的数目,SMALags
。
默认情况下,估计
使用标准时间序列技术获取初始估计。
数据类型:双
“半”
- - - - - -Presample条件方差样品前体条件方差提供用于任何条件方差模型的初始值,指定为逗号分隔的一对组成的“半”
和一个具有正项的数字列向量。
软件要求V0
具有至少观察次数需要初始化方差模型。如果行的数量V0
超过必要的数量,那么估计
只使用了最新的观测数据。最后一行包含最新的观察结果。
如果模型的方差为常数,则V0
是不必要的。
默认情况下,估计
将必要的预样本条件方差设置为推断残差的平方的平均值。
数据类型:双
'Variance0'
- - - - - -创新方差的初步估计ARIMA创新差异的初步估计(p,D,问)模型,指定为逗号分隔的对'Variance0'
和正标量或的名称 - 值对参数的细胞载体。
如果Variance0
是一个正的标量吗Mdl
(存储在Mdl.Variance
)必须是常数。
如果Variance0
是细胞载体:
默认情况下,估计
使用标准时间序列技术获取初始估计。
例子:对于一个方差恒定的模型,设“Variance0”, 2
指定的初始估计2
为模型方差。
例子:对于复合条件均值和方差模型,设Variance0, {“Constant0”2“ARCH0”, 0.1}
指定的初始估计2
为条件方差模型常数,初始估计为0.1
求ARCH多项式的滞后系数。
数据类型:双
|细胞
“X”
- - - - - -外源性预测在回归模型中指定为逗号分隔对的外生预测因子“X”
和一个矩阵。
的列X
是独立的、同步的时间序列,最后一行包含最新的观测结果。
如果不指定Y0
,则为的行数X
至少元素个数(y, 2) + Mdl.P
。否则,的行数X
应至少长度y
。
如果的行数X
超过必要的数量,那么估计
采用了最新的观测并同步X
响应序列y
。
默认情况下,估计
不估计回归系数无论其存在的Mdl
。
数据类型:双
'Y0'
- - - - - -Presample响应数据提供ARIMA初始值的预采样响应数据(p,D,问)模型,指定为逗号分隔的对'Y0'
和一个数字列向量。
Y0
列向量是否至少Mdl.P
行。如果行的数量Y0
超过Mdl.P
,估计
仅采用了最新的Mdl.P
观察。最后一行包含最新的观察结果。
默认情况下,估计
对必要数量的预充分观测的反向预测。
数据类型:双
南
小号表明缺失值,和估计
删除它们。该软件将预采样数据(E0
,V0
,Y0
)与有效样本数据(X
和y
),然后使用列表删除明智的,以消除任何南
年代。删除南
s在数据中减少了样本量,也可以产生不规则的时间序列。
删除南
s在数据中减少了样本量,也可以产生不规则的时间序列。
估计
假设您同步了响应和外生预测器,以便同时进行每一个的最后(最新)观察。该软件还假设您以类似的方式同步presample系列。
如果指定值显示
,则它优先于优化选项的规范诊断
和显示
。否则,估计
荣誉优化选项中所有与优化信息显示相关的选择。
EstMdl
-模型包含参数估计华宇电脑
模型包含参数估计的模型,以华宇电脑
模型。估计
采用最大似然法计算所有不受约束的参数估计值Mdl
(即,所有参数都在Mdl
你设置的南
)。
EstParamCov
- 最大似然估计的方差 - 协方差矩阵优化器知道的模型参数的最大似然估计的方差-协方差矩阵,以矩阵形式返回。
行和列包含参数估计的协方差。参数估计的标准误差是沿着主对角线的项的平方根。
与任何参数相关联的行和列作为等式约束包含而保持固定0
年代。
估计
使用gradient (OPG)方法的外积来执行协方差矩阵估计。
估计
输入参数EstParamCov
如下:
常数
非零基于“增大化现实”技术
正滞后系数
非零特别行政区
正滞后系数
非零马
正滞后系数
非零SMA
正滞后系数
回归系数,当你指定(X
在估计
)
方差参数(标量为恒定方差模型的附加参数向量以其他方式)
自由度(t创新分布)
数据类型:双
logL
- 优化数似然目标函数值优化的对数似然目标函数值,返回一个标量。
数据类型:双
信息
——摘要信息摘要信息,作为结构返回。
场 | 描述 |
---|---|
exitflag |
优化出口标志(见fmincon 在优化工具箱) |
选项 |
优化选项控制器(参见optimoptions 和fmincon 在优化工具箱) |
X |
最终参数估计向量 |
X0 |
初始参数估计的向量 |
例如,您可以显示通过打字最终估算的矢量info.X
在命令窗口中。
数据类型:结构体
将ARMA(2,1)模型与模拟数据进行拟合。
从ARMA(2,1)模型中模拟500个数据点
哪里 遵循高斯分布均值为0,方差为0.1。
Mdl0 = arima (基于“增大化现实”技术的{0.5,-0.3},“马”,0.2,...“不变”,0,'方差',0.1);rng (5);%的再现性y =模拟(Mdl0,500);
模拟数据存储在列向量中Y
。
指定一个ARMA(2,1)模型,该模型没有常数和未知的系数和方差。
MDL = ARIMA(2,0,1);Mdl.Constant = 0
描述:“arima(2,0,1)模型(高斯分布)”D我stribution: Name = "Gaussian" P: 2 D: 0 Q: 1 Constant: 0 AR: {NaN NaN} at lags [1 2] SAR: {} MA: {NaN} at lag [1] SMA: {} Seasonality: 0 Beta: [1×0] Variance: NaN
使ARMA(2,1)模型符合y
。
EstMdl =估计(Mdl y);
ARIMA(2,0,1)模型(高斯分布):数值标准值(TStatistic PValue)为00常数00南南AR{1} 0.49404 0.10321 4.7866 1.6961e-06 AR{2} -0.25348 0.06993 -3.6248 0.00028921 MA{1} 0.27958 0.10721 2.6078 0.0091132方差0.10009 0.0066403 15.073 2.4228e-51
结果是一个新的华宇电脑
模型称为EstMdl
。概算EstMdl
类似于生成模拟数据的参数值。
将ARIMA(1,1,1)模型与纳斯达克综合指数的日收盘价相结合。
加载工具箱中包含的NASDAQ数据。提取综合指数的前1500个观测值(1990年1月至1995年12月)。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ (1:1500);
指定一个ARIMA(1,1,1)模型进行拟合。
Mdl = arima (1, 1, 1);
该模型是非季节性的,因此可以使用简写语法。
使模型适合于前一半的数据。
EstMdl =估计(Mdl,纳斯达克(1:750));
ARIMA(1,1,1)模型(高斯分布):数值标准的统计值建立在常数0.2234 0.18418 1.213 0.22515 AR{1} 0.11434 0.11944 0.95733 0.3384 MA{1} 0.12764 0.11925 1.0703 0.28448方差18.983 0.68999 27.512 1.2543e-166的基础上
结果是一个新的华宇电脑
模型(EstMdl
)。估计参数及其标准差
统计在命令窗口中显示。
使用估计的参数作为初始值来拟合数据的另一半。
con0 = EstMdl.Constant;ar0 = EstMdl.AR {1};ma0 = EstMdl.MA {1};var0 = EstMdl.Variance;[EstMdl2, EstParamCov2 logL2 info2] =估计(Mdl,...。纳斯达克(751:结束),“Constant0”,CON0,“AR0”,AR0,...“MA0”,MA0,'Variance0',var0);
ARIMA(1,1,1)模型(高斯分布):数值基准(TStatistic PValue):将常数0.61142 0.32675 1.8712 0.061315 AR{1} - 0.11782 -1.2792 0.20084 MA{1} 0.38568 0.10905 3.5366 0.0004053方差36.493 1.227 29.742 e-194
参数估计值存储在信息
数据结构。显示最终的参数估计。
info2.X
ans =4×10.6114 -0.1507 0.3857 36.4933
适合的ARIMAX模型来仿真的时间序列而无需为响应或参数指定的初始值。
定义ARIMAX(2,1,1)模型
最终模拟长度为500的时间序列,其中 遵循高斯分布均值为0,方差为0.1。
Mdl0 = arima (基于“增大化现实”技术的{0.5,-0.3},“马”,0.2,'d',1...“不变”,0,'方差',0.1,“β”[1.5 2.6 -0.3]);T = 500;
模拟三个固定AR(1)系列,预采样值:
哪里 服从均值为0,方差为0.01的高斯分布我= {1,2,3}。
numObs = Mdl0.P + T;MdlX1 = ARIMA(基于“增大化现实”技术的,0.1,“不变”,0,'方差',0.01);MdlX2 = ARIMA(基于“增大化现实”技术的,0.2,“不变”,0,'方差',0.01);MdlX3 = arima (基于“增大化现实”技术的,0.3,“不变”,0,'方差',0.01);X1 =模拟(MdlX1 numObs);X2 =模拟(MdlX2 numObs);X3 =模拟(MdlX3 numObs);Xmat = [X1 X2 X3];
方法中存储模拟的外生预测器numObs
3矩阵Xmat
。
从ARIMA(2,1,1)模型中模拟500个数据点。
y =模拟(Mdl0 T“X”,Xmat);
模拟的响应存储在列向量中y
。
创建一个ARIMA(2,1,1)模型0
-值常数和未知系数和方差。
Mdl = arima (2, 1, 1);Mdl.Constant = 0
MDL = ARIMA模型属性:描述: “ARIMA(2,1,1)模型(高斯分布)” 分布:名称= “高斯” P:3 d:1 Q:1常数:0 AR:{楠楠}在滞后[1 2] SAR:{} MA:{}的NaN在滞后[1] SMA:{}季节性:0贝塔:[1×0]方差:NaN的
Mdl
是一个ARIMA(2,1,1)模型。估计
将此指定更改为ARIMAX(2,1,1),当您使用“X”
名称-值对的论点。估计
适合所有可估计的参数,有价值的属性南
在Mdl
,到数据。
将ARIMAX(2,1,1)模型适合于y
包括回归矩阵Xmat
。
EstMdl =估计(Mdl y“X”,Xmat);
ARIMAX(2,1,1)模型(高斯分布):值StandardError的TStatistic p值________ _____________ __________ __________常数0 0楠楠AR {1} 0.41634 0.046067 9.0376 1.601e-19 AR {2} -0.27405 0.040645 -6.7427 1.5552e-11 MA {1} 0.3346 0.057208 5.8488 4.9499e-09β(1)1.4194 0.14242 9.9662 2.1429e-23测试版(2)2.542 0.1331 19.098 2.6194e-81测试(3)-0.28767 0.14035 -2.0496 0.040399方差0.096777 0.005791 16.712 1.08e-62
EstMdl
是一个新的华宇电脑
由于外生预测因子进入模型,模型被指定为ARIMAX(2,1,1)。概算EstMdl
类似于生成模拟数据的参数值。
[1]盒,g.e.p., g.m.j Jenkins和g.c. Reinsel。时间序列分析:预测与控制恩格尔伍德悬崖,新泽西州:普伦蒂斯霍尔,1994。
恩德斯[2],W。应用计量经济学时间序列。新泽西州霍博肯:约翰·威利和儿子出版社,1995年。
[3]格林,W. H.计量经济学分析。上鞍河第三版,新泽西州:普伦蒂斯霍尔,1997年。
[4]汉密尔顿,j.d.。时间序列分析。普林斯顿:普林斯顿大学出版社,1994。
아래MATLAB명령에해당하는링크를클릭하셨습니다。
이명령을MATLAB명령창에입력해실행하십시오。웹브라우저에서는MATLAB명령을지원하지않습니다。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站表现。其他MathWorks国家站点不适合来自您所在位置的访问。