regARIMA类

超类:

建立ARIMA时间序列误差回归模型

展开全部页面

描述

regARIMA创建一个具有ARIMA时间序列误差的回归模型保持回归系数的敏感性解释。若要创建包含外生预测因子线性回归组件的ARIMA模型(ARIMAX)，请参见华宇电脑．

默认情况下，时间序列误差(也称为无条件扰动)是独立的、同分布的、均值为0的高斯随机变量。如果错误具有自相关结构，则可以为它们指定模型。模型包括:

移动平均(MA)
自回归(AR)
混合自回归移动平均(ARMA)
综合(ARIMA)
季节乘法

指定包含已知系数的误差模型:

使用以下命令模拟响应模拟．
使用以下方法探索脉冲响应冲动．
预测未来的观测结果预测．
利用数据估计未知系数估计．

建设

Mdl= regARIMA建立一个ARIMA误差为0次且无回归系数的回归模型。

Mdl= regARIMA (p，D，问）创建一个误差由非季节性的，具有自回归度的线性时间序列建模的回归模型p，差度D，移动平均度问．

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。的名字也可以是属性名和价值对应的值。的名字必须出现在单引号内(”)．您可以指定几个名称,值以任意顺序对参数Name1, Value1,…,的家．

输入参数

请注意

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

`p`	误差模型的非季节性自回归多项式度，指定为正整数。
`D`	误差模型的非季节性积分度，指定为非负整数。
`问`	误差模型的非季节性移动平均多项式度，指定为正整数。

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

拦截

回归模型截距，指定为由逗号分隔的对组成“拦截”一个标量。

默认值:南

β

回归模型系数与预测数据相关联，以逗号分隔的对组成“β”还有一个向量。

默认值:［］(没有预测数据对应的回归系数)

基于“增大化现实”技术

误差模型的非季节性自回归系数，指定为逗号分隔的对，由基于“增大化现实”技术的和一个细胞向量。这些系数必须得到一个稳定的多项式。

如果你指定ARLags,然后基于“增大化现实”技术与滞后相关的系数的等长单元向量ARLags．例如，如果ARLags＝(1、4)而且基于“增大化现实”技术＝{0.2, 0.1}，则忽略所有其他规范，错误模型为 $u_{t} ＝ 0.2 u_{t - 1} + 0．1 u_{t - 4} + ε_{t} ．$
如果您没有指定ARLags,然后基于“增大化现实”技术是滞后时间为1,2，…，p，为非季节的自回归多项式次。例如，如果基于“增大化现实”技术＝{0.2, 0.1}你没有指明ARLags，则忽略所有其他规范，错误模型为 $u_{t} ＝ 0.2 u_{t - 1} + 0．1 u_{t - 2} + ε_{t} ．$

里面的系数基于“增大化现实”技术对应于底层的系数LagOp滞后算子多项式，并进行了近零容差排除检验。如果你设一个系数为1 e-12或以下,regARIMA不包括该系数及其相应的滞后ARLags从模型中。

默认值:细胞载体南S的长度等于ARLags．

妈

误差模型的非季节性移动平均系数，指定为逗号分隔的对，由“马”和一个细胞向量。这些系数必须得到一个可逆多项式。

如果你指定MALags,然后妈与滞后相关的系数的等长单元向量MALags．例如，如果MALags＝(1、4)而且妈＝{0.2, 0.1}，则忽略所有其他规范，错误模型为 $u_{t} ＝ ε_{t} + 0.2 ε_{t - 1} + 0．1 ε_{t - 4} ．$
如果您没有指定MALags,然后妈是滞后时间为1,2，…，问为非季节性的移动平均多项式次。例如，如果妈＝{0.2, 0.1}你没有指明MALags，则忽略所有其他规范，错误模型为 $u_{t} ＝ ε_{t} + 0.2 ε_{t - 1} + 0．1 ε_{t - 2} ．$
里面的系数妈对应于底层的系数LagOp滞后算子多项式，并进行了近零容差排除检验。如果你设一个系数为1 e-12或以下,regARIMA不包括该系数及其相应的滞后MALags从模型中。

默认值:细胞载体南S的长度等于MALags．

ARLags

滞后与基于“增大化现实”技术误差模型中的系数，指定为逗号分隔的对，由“ARLags”和一个正整数向量。

默认值:整数向量1 2…p，为非季节性自回归多项式次。

MALags

滞后与妈误差模型中的系数，指定为逗号分隔的对，由“MALags”和一个正整数向量。

默认值:整数向量1 2…问，为非季节性移动平均多项式次。

特别行政区

误差模型的季节性自回归系数，指定为逗号分隔的对，由“特别行政区”和一个细胞向量。这个系数必须得到一个稳定的多项式。

如果你指定SARLags,然后特别行政区与滞后相关的系数的等长单元向量SARLags．例如，如果sarlag = [1,4]，SAR = {0.2, 0.1},季节性= 4，则忽略所有其他规范，错误模型为

$（ 1 - 0.2 l - 0．1 l^{4} ）（ 1 - l^{4} ） u_{t} ＝ ε_{t} ．$
如果您没有指定SARLags,然后特别行政区是滞后时间为1,2，…，p_年代，为季节自回归多项式次。例如，如果SAR = {0.2, 0.1}而且季节性= 4，而你没有指定SARLags，则忽略所有其他规范，错误模型为

$（ 1 - 0.2 l - 0．1 l^{2} ）（ 1 - l^{4} ） u_{t} ＝ ε_{t} ．$

里面的系数特别行政区对应于底层的系数LagOp滞后算子多项式，并进行了近零容差排除检验。如果你设一个系数为1 e-12或以下,regARIMA不包括该系数及其相应的滞后SARLags从模型中。

默认值:细胞载体南S的长度等于SARLags．

SMA

误差模型的季节性移动平均系数，指定为逗号分隔的对，由SMA的和一个细胞向量。该系数必须得到一个可逆多项式。

如果你指定SMALags,然后SMA与滞后相关的系数的等长单元向量SMALags．例如，如果SMALags＝(1、4)，SMA＝{0.2, 0.1},季节性= 4，则忽略所有其他规格，误差模型为 $（ 1 - l^{4} ） u_{t} ＝（ 1 + 0.2 l + 0．1 l^{4} ） ε_{t} ．$
如果您没有指定SMALags,然后SMA是滞后时间为1,2，…，问_年代，为季节移动平均多项式度。例如，如果SMA＝{0.2, 0.1}而且季节性= 4，并且没有指定SMALags，则忽略所有其他规范，错误模型为 $（ 1 - l^{4} ） u_{t} ＝（ 1 + 0.2 l + 0．1 l^{2} ） ε_{t} ．$

里面的系数SMA对应于底层的系数LagOp滞后算子多项式，并进行了近零容差排除检验。如果你设一个系数为1 e-12或以下,regARIMA不包括该系数及其相应的滞后SMALags从模型中。

默认值:细胞载体南S的长度等于SMALags．

SARLags

滞后与特别行政区误差模型中的系数，指定为逗号分隔的对，由“SARLags”和一个正整数向量。

默认值:整数向量1 2…p_年代，为季节自回归多项式度。

SMALags

滞后与SMA误差模型中的系数，指定为逗号分隔的对，由“SMALags”和一个正整数向量。

默认值:整数向量1 2…问_年代，为季节移动平均多项式次。

D

误差模型的非季节差分多项式度(即非季节积分度)，指定为逗号分隔的对，由' D '和一个非负整数。

默认值:0(无非季节性整合)

季节性

误差模型的季节差异多项式度，指定为逗号分隔的对，由“季节性”和一个非负整数。

默认值:0(无季节性整合)

方差

模型创新的方差ε_t，指定为逗号分隔的对，由“方差”一个正标量。

默认值:南

分布

创新过程的条件概率分布，由逗号分隔的对组成“分布”和描述分布的分布名称或结构数组。

分布分布的名字结构数组

高斯 “高斯” 结构(“名字”,“高斯”)

学生的t

“t”

默认情况下,景深是南．

结构(“名字”,“t”,景深,景深)

景深> 2或DoF = NaN

默认值:“高斯”

描述

描述模型的字符串标量或字符向量。默认情况下，该参数描述模型的参数形式，例如，ARIMA(1,1,1)误差模型(高斯分布)．

请注意

指定与季节多项式相关的滞后特别行政区而且SMA在观察到的数据的周期性，而不是作为倍数的季节性参数。这个惯例不符合Box和Jenkins的标准[1]符号，但它是一个更灵活的方法，纳入乘法季节性。

属性

`基于“增大化现实”技术`	非季节性自回归系数的单元向量，对应于误差模型的一个稳定多项式。相关滞后为1,2，…，p，为非季节性的自回归多项式次，或如`ARLags`．
`β`	回归系数的实向量，对应于预测器数据矩阵的列。
`D`	非负整数，表示误差模型的非季节积分度。
`描述`	用于模型描述的字符串标量。
`分布`	创新过程条件概率分布的数据结构。这个领域`的名字`存储发行版名称`“高斯”`或`“t”`．如果分布是`“t”`，则结构也有场`景深`来存储自由度。
`拦截`	误差模型中的标量截距。
`妈`	误差模型的可逆多项式对应的非季节移动平均系数的单元向量。相关滞后为1,2，…，问到非季节性移动平均多项式的次，或如`MALags`．
`P`	标量，误差模型的复合自回归多项式度。 `P`是初始化误差模型的自回归分量所需的滞后观测的总数。`P`包括属性捕获的非季节性和季节性集成的影响`D`而且`季节性`，以及非季节和季节自回归多项式`基于“增大化现实”技术`而且`特别行政区`,分别。 `P`不一定符合标准的Box和Jenkins符号[1]．如果`D = 0`，`季节性= 0`,`SAR = {}`,然后`P`符合标准符号。
`问`	标量，复合移动平均多项式阶误差模型。 `问`初始化模型的移动平均分量所需的滞后创新的总数。`问`包括非季节性和季节性移动平均多项式的影响`妈`而且`SMA`,分别。 `问`不一定符合标准的Box和Jenkins符号[1]．如果`Sma = {}`,然后`问`符合标准符号。
`特别行政区`	与误差模型的稳定多项式相对应的季节自回归系数的单元向量。相关滞后为1,2，…，p_年代，即季节自回归多项式的次，或见`SARLags`．
`SMA`	与误差模型的可逆多项式相对应的季节移动平均系数的单元向量。相关滞后为1,2，…，问_年代，即季节移动平均多项式次，或见`SMALags`．
`季节性`	非负整数，表示误差模型的季节差异多项式度。
`方差`	模型创新的正标量方差。

方法

华宇电脑	将有ARIMA误差的回归模型转换为ARIMAX模型
估计	利用ARIMA误差估计回归模型参数
过滤器	利用ARIMA误差回归模型对扰动进行滤波
预测	用ARIMA误差预测回归模型的响应
冲动	带有ARIMA误差的回归模型的脉冲响应
推断出	用ARIMA误差推断回归模型的创新
打印	(待删除)显示有ARIMA误差的回归模型的估计结果
模拟	基于ARIMA误差的回归模型蒙特卡罗模拟
总结	显示有ARIMA误差的回归模型估计结果

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部折叠

指定一个具有非季节性ARIMA误差的回归模型

打开实时脚本

指定以下带有ARIMA(2,1,3)误差的回归模型:

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

Mdl = regARIMA(2,1,3)

描述:“ARIMA(2,1,3)误差模型(高斯分布)”分布:名称= "高斯"截距:NaN Beta: [1×0] P: 3 D: 1 Q: 3 AR: {NaN NaN} at lag [1 2] SAR: {} MA: {NaN NaN NaN} at lag [1 2 3] SMA:{}方差:NaN

输出显示属性的值P，D,问的Mdl．对应的自回归系数和移动平均系数(载于基于“增大化现实”技术而且妈)是单元格数组，包含正确数量的南值。请注意,P＝p+D= 3，表示您需要三个预样本观测来初始化模型进行估计。

用ARIMA误差修正回归模型

打开实时脚本

定义带有ARIMA误差的回归模型:

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

在哪里 $ε_{t}$ 为方差为0.5的高斯分布。

Mdl = regARIMA(“拦截”2,基于“增大化现实”技术的{0.2 - 0.3},“马”{0.1},.．.“方差”, 0.5,“β”(1.5 - 0.2))

描述:“回归与ARMA(2,1)误差模型(高斯分布)”分布:名称= "高斯"截距:2 Beta: [1.5 0.2] P: 2 Q: 1 AR: {0.2 0.3} at lag [1 2] SAR: {} MA: {0.1} at lag [1] SMA:{}方差:0.5

Mdl是完全指定的，例如，在给定预测器数据矩阵的情况下，模拟一系列响应， $X_{t}$ ．

修正模型以估计创新的回归系数、AR项和方差。

Mdl。β＝［南南］; Mdl.AR = {NaN NaN}; Mdl.Variance = NaN;

将创新分布更改为a $t$ 15个自由度的分布。

Mdl。D是tribution = struct(“名字”，“t”，“景深”15)

描述:“回归与ARMA(2,1)误差模型(t分布)”分布:名称= "t"， DoF = 15截距:2 Beta: [NaN NaN] P: 2 Q: 1 AR: {NaN NaN} at lag [1 2] SAR: {} MA: {0.1} at lag [1] SMA:{}方差:NaN

指定带有SARIMA误差的回归模型

打开实时脚本

指定以下模型:

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

在哪里 $ε_{t}$ 为方差为1的高斯分布。

Mdl = regARIMA(“拦截”, 1“β”6基于“增大化现实”技术的, 0.2,.．.“马”, 0.1,“特别行政区”{0.5, 0.2},“SARLags”(4、8),.．.SMA的{0.05, 0.01},“SMALags”, 8 [4],' D ', 1.．.“季节性”4“方差”, 1)

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"截距:1 Beta: [6] P: 14 D: 1 Q: 9 AR:{0.2}在滞后[1]SAR:{0.5 0.2}在滞后[4 8]MA:{0.1}在滞后[1]SMA:{0.05 0.01}在滞后[4 8]季节性:4方差:1

如果您没有指定SARLags或SMALags，然后是系数特别行政区而且SMA默认对应滞后1和滞后2。

Mdl = regARIMA(“拦截”, 1“β”6基于“增大化现实”技术的, 0.2,.．.“马”, 0.1,“特别行政区”{0.5, 0.2},SMA的{0.05, 0.01},.．.' D ', 1“季节性”4“方差”, 1)

描述:“回归与ARIMA(1,1,1)误差模型季节性集成季节性AR(2)和MA(2)(高斯分布)”分布:名称= "高斯"截距:1 Beta: [6] P: 8 D: 1 Q: 3 AR:{0.2}在滞后[1]SAR:{0.5 0.2}在滞后[1 2]MA:{0.1}在滞后[1]SMA:{0.05 0.01}在滞后[1 2]季节性:4方差:1