这个例子说明了如何使用估计与非季节性集成的ARIMA模型估计
。该系列产品是不是之前估计求差。结果进行比较,以一个Box-詹金斯建模策略,其中,所述数据被第一求差,然后建模为固定的ARMA模型(Box等人,1994)。
时间序列为季度澳大利亚消费者价格指数(CPI)从1972年到1991年测量的日志。
加载并绘制澳大利亚CPI数据。
加载Data_JAustralianY = DataTable.PAU;T =长度(Y);图图(Y);H = GCA;%定义的手柄为当前轴h.XLim = [0,T];%设定x轴限制h.XTickLabel = datestr(日期(1:10:T),17);%标签的x轴的刻度线标题(“日志季度澳大利亚CPI”)
这个系列是非平稳的,有明显的上升趋势。这建议在使用平稳模型(如Box-Jenkins方法论所建议的)或直接拟合非平稳ARIMA模型之前对数据进行差分。
指定一个ARIMA(2,1,0)模型,并估算。
MDL = ARIMA(2,1,0);EstMdl =估计(MDL,Y);
ARIMA(2,1,0)模型(高斯分布):值StandardError的TStatistic p值__________ _____________ __________ __________常数0.010072 0.0032802 3.0707 0.0021356 AR {1} 0.21206 0.095428 2.2222 0.026271 AR {2} 0.33728 0.10378 3.2499 0.0011543方差9.2302e-05 1.1112e-05 8.3066 9.8491e-17
估计模型
哪里 通常与标准偏差0.01分布。
估计AR系数的符号对应的模型方程右边AR系数。在滞后算子多项式表示法,拟合模型
与AR系数相反的符号。
取数据的第一个区别。估计使用所述数据求差的AR(2)模型。
DY = DIFF(Y);MdlAR = ARIMA(2,0,0);EstMdlAR =估计(MdlAR,DY);
ARIMA(2,0,0)模型(高斯分布):值StandardError的TStatistic p值__________ _____________ __________ _________常数0.010429 0.0038043 2.7414 0.0061183 AR {1} 0.20119 0.10146 1.9829 0.047375 AR {2} 0.32299 0.11803 2.7364 0.0062115方差9.4242e-05 1.1626e-05 8.1062 5.222e-16
参数的点估计是非常相似的EstMdl
。当数据被估计之前的求差标准误差,但是,更大。
预测利用估计AR模型(发EstMdlAR
)将在差分规模。预测利用估计ARIMA模型(发EstMdl
)将在相同的比例作为原始数据。
参考文献:
盒,G. E. P.,G. M.詹金斯,和G. C.赖因泽尔。时间序列分析:预测与控制。第3版。新泽西州Englewood Cliffs:Prentice Hall出版社,1994年。