ARIMA模型估计
这个例子展示了如何估计自回归综合移动平均(ARIMA)模型。
有时需要包含非平稳趋势(季节性)的时间序列模型。此类模型的一个类别是ARIMA模型。这些模型在噪声源中包含一个固定的积分器。因此,如果ARMA模型的控制方程表示为(问)y (t) = Ce (t),在那里(问)表示自回归项和C(问)移动平均项,ARIMA模型的对应模型表示为
这里的术语 表示离散积分器。类似地,您可以为ARI和ARIX模型制定方程。
使用时间序列模型估计命令基于“增大化现实”技术
,arx
而且armax
可以在噪声源中引入积分器e (t)
.可以使用IntegrateNoise
参数。
估计方法不考虑时间序列数据中的任何常数偏移。引入噪声积分器的能力不仅限于时间序列数据。对于干扰可能受季节性影响的输入-输出模型,也可以这样做。例如ARIMAX结构的多项式模型:
看到armax
示例参考页。
估计具有线性趋势的标量时间序列的ARI模型。
负载iddata9z9Ts = z9.Ts;Y = cumsum(z9.y);模型= ar(y,4,“ls”,“t”Ts,“IntegrateNoise”,真正的);% 5步前预测比较(y)模型,5)
估计一个多元时间序列模型,使噪声积分只存在于两个时间序列中的一个。
负载iddata9z9Ts = z9.Ts;Y = z9.y;Y2 = cumsum(y);人工构造一个二元时间序列data = iddata([y, y2],[],Ts);Na = [4 0;0 4];Nc = [2;1];Model1 = armax(data, [na nc],“IntegrateNoise”,(假;真正的]);预测未来100步的时间序列Yf =预测(模型1,数据(1:100),100);情节(数据(1:10 0)、yf)
如果输出是耦合的(na
不是对角线矩阵),情况将更加复杂,简单地向第二个噪声通道添加积分器将不起作用。