regARIMA类

超类:

创建带有ARIMA时间序列错误的回归模型

扩大所有页面

描述

regARIMA创建回归模型ARIMA时间序列错误保持回归系数的灵敏度解释。可以创建包含外源预测的线性回归组分（ARIMAX）的ARIMA模型，见华宇电脑。

默认情况下，时间序列错误（也称为无条件干扰）是独立，同分布，均值为0的高斯随机变量。如果有错误的自相关结构，那么你能为他们指定机型。该型号包括：

移动平均（MA）
自回归(AR)
混合自回归移动平均（ARMA）
集成（ARIMA）
乘积季节（SARIMA）

指定包含已知系数误差模型：

模拟反应使用模拟。
使用以下工具探索脉冲响应冲动。
预测未来观测预测。
用数据来估计未知系数估计。

施工

MDL= regARIMA创建回归模型度0 ARIMA错误和回归系数。

MDL= regARIMA（p,D,问)创建一个回归模型通过自回归度的非季节性，线性时间序列模型的误差p,差分化程度D，以及移动平均学位问。

MDL= regARIMA（名称,值)使用一个或多个指定的附加选项创建带有ARIMA错误的回归模型名称,值对参数。名称也可以是属性名称和值是对应的值。名称必须出现内单引号（”）。您可以指定多个名称,值以任何顺序对参数名1，值1，...，NameN，值N。

输入参数

请注意

对于具有非季节性ARIMA误差的回归模型，请使用p,D和问。对于具有季节性ARIMA误差的回归模型，请使用名称,值对参数。

`p`	非季节性，自回归多项式度误差模型，指定为正整数。
`D`	非季节性集成度的误差模型，指定为一个非负整数。
`问`	非季节性，为误差模型的移动平均多项式次数，指定为正整数。

名称 - 值对参数

指定可选的逗号分隔的对名称,值参数。名称参数名和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

“拦截”

回归模型截距，指定为逗号分隔对组成“拦截”和一个标量。

默认值:南

“测试版”

与预测数据相关联的回归模型的系数，指定为逗号分隔的一对组成的“测试版”和的矢量。

默认值:[]（对应于预测数据没有回归系数）

基于“增大化现实”技术的

非季节性，自回归系数的误差模型，指定为逗号分隔的一对组成的基于“增大化现实”技术的和一个细胞载体。系数必须是一个稳定的多项式。

如果您指定ARLags,然后基于“增大化现实”技术是在滞后相关联的系数的等效长度细胞载体ARLags。例如,如果ARLags=[1，4]和基于“增大化现实”技术={0.2,0.1}，那么，忽略所有其他规格，误差模型是 $u_{t} = 0.2 u_{t - 1} + 0.1 u_{t - 4} + ε_{t} 。$
如果不指定ARLags,然后基于“增大化现实”技术是在滞后1,2系数的细胞载体，...，p，这是非季节性，自回归多项式度。例如,如果基于“增大化现实”技术={0.2,0.1}你不指定ARLags，那么，忽略所有其他规格，误差模型是 $u_{t} = 0.2 u_{t - 1} + 0.1 u_{t - 2} + ε_{t} 。$

在系数基于“增大化现实”技术对应于系数的底层LagOp滞后算子多项式，并有可能接近零容忍排斥试验。如果设置一个系数1E-12或以下，regARIMA排除系数，并在其相应的滞后ARLags从模型。

默认值:细胞的向量南S采用相同的长度ARLags。

'嘛'

非季节性，移动平均系数的误差模型，指定为逗号分隔的一对组成的'嘛'和一个细胞载体。该系数必须产生一个可逆多项式。

如果您指定MALags,然后嘛是在滞后相关联的系数的等效长度细胞载体MALags。例如,如果MALags=[1，4]和嘛={0.2,0.1}，那么，忽略所有其他规格，误差模型是 $u_{t} = ε_{t} + 0.2 ε_{t - 1} + 0.1 ε_{t - 4} 。$
如果不指定MALags,然后嘛是在滞后1,2系数的细胞载体，...，问，即非季节性的移动平均多项式次数。例如,如果嘛={0.2,0.1}你不指定MALags，那么，忽略所有其他规格，误差模型是 $u_{t} = ε_{t} + 0.2 ε_{t - 1} + 0.1 ε_{t - 2} 。$
在系数嘛对应于系数的底层LagOp滞后算子多项式，并有可能接近零容忍排斥试验。如果设置一个系数1E-12或以下，regARIMA排除系数，并在其相应的滞后MALags从模型。

默认值:细胞的向量南S采用相同的长度MALags。

'ARLags'

滞后效应与基于“增大化现实”技术系数误差模型，指定为逗号分隔的一对组成的'ARLags'和正整数的向量。

默认值:整数1、2、…的向量，p的非季节性，自回归多项式的程度。

“MALags”

滞后效应与嘛系数误差模型，指定为逗号分隔的一对组成的“MALags”和正整数的向量。

默认值:整数1、2、…的向量，问中，非季节性移动平均多项式度。

'SAR'

季节性，对于误差模型自回归系数，指定为逗号分隔的一对组成的'SAR'和一个细胞载体。系数必须产生稳定的多项式。

如果您指定SARLags,然后SAR是在滞后相关联的系数的等效长度细胞载体SARLags。例如,如果sarlag = [1,4],SAR = {0.2, 0.1}和季节性= 4，那么，忽略所有其他规格，误差模型是

$(1 - 0.2 l - 0.1 l^{4}) (1 - l^{4}) u_{t} = ε_{t} 。$
如果不指定SARLags,然后SAR是在滞后1,2系数的细胞载体，...，p_年代，这是季节性的，自回归多项式度。例如,如果SAR = {0.2, 0.1}和季节性= 4和你不指定SARLags，那么，忽略所有其他规格，误差模型是

$(1 - 0.2 l - 0.1 l^{2}) (1 - l^{4}) u_{t} = ε_{t} 。$

在系数SAR对应于系数的底层LagOp滞后算子多项式，并有可能接近零容忍排斥试验。如果设置一个系数1E-12或以下，regARIMA排除系数，并在其相应的滞后SARLags从模型。

默认值:细胞的向量南S采用相同的长度SARLags。

'SMA'

季节性，移动平均系数的误差模型，指定为逗号分隔的一对组成的'SMA'和一个细胞载体。系数必须产生可逆多项式。

如果您指定SMALags,然后SMA是在滞后相关联的系数的等效长度细胞载体SMALags。例如,如果SMALags=[1，4],SMA={0.2,0.1}和季节性= 4，则忽略所有其他规范，误差模型为 $(1 - l^{4}) u_{t} = (1 + 0.2 l + 0.1 l^{4}) ε_{t} 。$
如果不指定SMALags,然后SMA是在滞后1,2系数的细胞载体，...，问_年代，季节性，移动平均多项式度。例如,如果SMA={0.2,0.1}和季节性= 4，并且不指定SMALags，那么，忽略所有其他规格，误差模型是 $(1 - l^{4}) u_{t} = (1 + 0.2 l + 0.1 l^{2}) ε_{t} 。$

在系数SMA对应于系数的底层LagOp滞后算子多项式，并有可能接近零容忍排斥试验。如果设置一个系数1E-12或以下，regARIMA排除系数，并在其相应的滞后SMALags从模型。

默认值:细胞的向量南S采用相同的长度SMALags。

'SARLags'

滞后效应与SAR系数误差模型，指定为逗号分隔的一对组成的'SARLags'和正整数的向量。

默认值:整数1、2、…的向量，p_年代，季节性，自回归多项式的程度。

'SMALags'

滞后效应与SMA系数误差模型，指定为逗号分隔的一对组成的'SMALags'和正整数的向量。

默认值:整数1、2、…的向量，问_年代，季节移动平均多项式次数。

'd'

非季节性差分的误差模型多项式度（即，非季节性集成度），指定为逗号分隔的一对组成的'd'和一个非负整数。

默认值:0（没有非季节性集成）

“季节性”

对误差模型进行多项式阶的季节性差分，指定为逗号分隔对组成“季节性”和一个非负整数。

默认值:0(没有季节性的集成)

'方差'

模型创新的差异ε_t，指定为逗号分隔的对，由'方差'和正标量。

默认值:南

'分配'

条件概率分布的创新过程，指定为逗号分隔对组成'分配'和分配名称或结构阵列描述的分布。

分配分布名结构数组

高斯 “高斯” 结构（“姓名”，“高斯”）

学生们t

“t”

默认，景深是南。

结构（ '姓名'， 'T'， '自由度'，DOF）

景深> 2或自由度= NaN的

默认值:“高斯”

“描述”

串标量或描述模型特征向量。默认情况下，这种说法描述了模型的参数形式，例如，“ARIMA（1,1,1）误差模型（高斯分布）”。

请注意

指定与季节性多项式相关联的滞后SAR和SMA在周期性的观测数据，而不是作为倍数季节性参数。这个约定不符合standard Box和Jenkins[1]符号，但它是用于将乘法季节更灵活的方法。

属性

`基于“增大化现实”技术`	对应于所述误差模型的稳定多项式非季节性，自回归系数的细胞载体。相关的滞后时间为1、2、…p，这是非季节性，自回归多项式的程度，或在指定`ARLags`。
`Beta版`	对应于所述预测数据矩阵的列回归系数的实数向量。
`D`	非负整数指示错误模型的非季节性集成度。
`描述`	串标为模型描述。
`分配`	数据结构对创新过程的条件概率分布。场`名称`存储分发名`“高斯”`要么`“T”`。如果分布是`“T”`，然后该结构还具有场`景深`存储自由度。
`截距`	标拦截的误差模型。
`嘛`	对应于所述误差模型的可逆多项式非季节性移动平均系数的细胞载体。相关的滞后时间为1、2、…问到非季节移动平均多项式的程度，或如中指定的`MALags`。
`P`	标量，该误差模型的化合物自回归多项式度。 `P`为初始化误差模型的自回归分量所需的滞后观测值的总数。`P`包括由所述属性捕获非季节性和季节性一体化的效果`D`和`季节性`分别和非季节性和季节性自回归多项式`基于“增大化现实”技术`和`SAR`,分别。 `P`是否一定要符合标准方框和詹金斯符号[1]。如果`D = 0`,`季节性= 0`和`SAR = {}`,然后`P`符合标准的符号。
`问`	标量、复合移动平均多项式阶的误差模型。 `问`为初始化模型的移动平均分量所需的滞后创新总数。`问`包括非季节性和季节性移动平均多项式的效果`嘛`和`SMA`,分别。 `问`是否一定要符合标准方框和詹金斯符号[1]。如果`SMA = {}`,然后`问`符合标准的符号。
`SAR`	对应于所述误差模型的稳定多项式季节性自回归系数的细胞载体。相关的滞后时间为1、2、…p_年代，这是自回归季节性多项式的次数，或在指定`SARLags`。
`SMA`	单元向量的季节性移动平均系数对应于一个可逆多项式的误差模型。相关的滞后时间为1、2、…问_年代，这是季节性的移动平均多项式度，或在指定`SMALags`。
`季节性`	非负整数指示季节性差分多项式度误差模型。
`方差`	模型创新的正标量方差。

方法

华宇电脑	将带有ARIMA误差的回归模型转换为ARIMAX模型
估计	回归模型的参数估计与ARIMA错误
过滤	通过回归模型ARIMA错误过滤干扰
预测	有ARIMA误差的回归模型的预测响应
冲动	有ARIMA误差的回归模型的脉冲响应
推断	回归模型的推断与创新ARIMA错误
打印	（被删除）的回归模型ARIMA错误显示的估计结果
模拟	回归模型ARIMA误差的蒙特卡洛模拟
总结	回归模型ARIMA错误显示估计结果

复制语义

值。要了解值类如何影响复制操作，请参阅复制对象（MATLAB）。

例子

全部折叠

指定回归模型非季节ARIMA错误

开立真实脚本

指定以下回归模型ARIMA（2,1,3）错误：

$\begin{array}{c} y_{t} = u_{t} \\ (1 - φ_{1} l - φ_{2} l^{2}) (1 - l) u_{t} = (1 + θ_{1} l + θ_{2} l^{2} + θ_{3.} l^{3.}) ε_{t} 。 \end{array}$

MDL = regARIMA（2,1,3）

MDL = regARIMA具有属性：说明： “ARIMA（2,1,3）误差模型（高斯分布）” 分布：名称= “高斯” 截取：NaN的贝塔：[1×0]，P：3 d：1 Q：3AR：{楠楠}在滞后[1 2] SAR：{} MA：{楠楠的NaN}在滞后[1 2 3] SMA：{}方差：NaN的

输出中显示的属性的值P,D和问的MDL。相应的自回归移动平均系数（包含在基于“增大化现实”技术和嘛)是包含正确数目的单元格数组南值。注意P=p+D= 3，这说明你需要三个样品前观测到初始化估计模型。

修改回归模型ARIMA错误

开立真实脚本

定义回归模型ARIMA错误：

$\begin{array}{llllllllllllllllllll} \begin{array}{c} y_{t} = 2 + X_{t} (\begin{array}{cccccccccccccccccccc} 1 。 5 \\ 0 。 2 \end{array}] + u_{t} \\ (1 - 0 。 2 l - 0 。 3. l^{2}) u_{t} = (1 + 0 。 1 l) ε_{t}, \end{array} \end{array}$

哪里 $ε_{t}$ 是高斯方差0.5。

MDL = regARIMA（“拦截”，2，基于“增大化现实”技术的{0.2 0.3}，'嘛'{0.1},...'方差'，0.5％，“测试版”[1.5 0.2]）

MDL = regARIMA与属性：描述： “回归用ARMA（2,1）误差模型（高斯分布）” 分布：名称= “高斯” 截取：2贝塔：[1.5 0.2]，P：2 Q：1个AR：{0.20.3}在滞后[1 2] SAR：{} MA：{0.1}在延迟[1] SMA：{}方差：0.5

MDL被完全规定为，例如，模拟给出的预测数据矩阵的一系列反应， $X_{t}$ 。

修正模型以估计回归系数、AR项和创新的方差。

Mdl。Beta版=(南南]; Mdl.AR = {NaN NaN}; Mdl.Variance = NaN;

更改创新分配到 $t$ 分布15个自由度。

Mdl.Distribution =结构（“名字”,“t”,“自由度”，15）

MDL = regARIMA与属性：描述： “回归用ARMA（2,1）误差模型（t分布）” 分布：名称= “T”，自由度= 15截距：2贝塔：[楠楠] p：2 Q：1AR：{楠楠}在滞后[1 2] SAR：{} MA：{0.1}在延迟[1] SMA：{}方差：NaN的

指定回归模型SARIMA错误

开立真实脚本

指定下列模式：

$\begin{array}{llllllllllllllllllll} \begin{array}{c} y_{t} = 1 + 6 X_{t} + u_{t} \\ (1 - 0 。 2 l) (1 - l) (1 - 0 。 5 l^{4} - 0 。 2 l^{8}) (1 - l^{4}) u_{t} = (1 + 0 。 1 l) (1 + 0 。 05 l^{4} + 0 。 01 l^{8}) ε_{t}, \end{array} \end{array}$

哪里 $ε_{t}$ 是方差为1的高斯分布。

MDL = regARIMA（“拦截”1，“测试版”，6，基于“增大化现实”技术的,0.2,...'嘛',0.1,'SAR'{0.5,0.2},'SARLags'，[4,8]，...'SMA'{0.05,0.01}，'SMALags'[4 8]'d'1，...“季节性”4，'方差'，1）

MDL = regARIMA与属性：描述： “回归与ARIMA（1,1,1）误差模型季节性集成与季节性AR（8）和MA（8）（高斯分布）” 分布：名称= “高斯” 截取：1贝塔：[6]，P：14 d：1 Q：9 AR：{0.2}在延迟[1] SAR：{0.5 0.2}在滞后[4 8] MA：{0.1}在延迟[1] SMA：{0.05 0.01在}滞后[4 8]季节性：4方差：1

如果不指定SARLags要么SMALags，则系数SAR和SMA对应于滞后1和2通过默认。

MDL = regARIMA（“拦截”1，“测试版”，6，基于“增大化现实”技术的,0.2,...'嘛',0.1,'SAR'{0.5,0.2},'SMA'{0.05,0.01}，...'d'1，“季节性”4，'方差'，1）

描述:“ARIMA(1,1,1)误差模型与季节性AR(2)和MA(2)(高斯分布)的季节性综合回归”分配: Name = "Gaussian" Intercept: 1 Beta: [6] P: 8 D: 1 Q: 3 AR: {0.2} at lag [1] SAR: {0.5 0.2} at lags [1 2] MA: {0.1} at lag [1] SMA: {0.05 0.01} at lags [1 2] Seasonality: 4 Variance: 1