Autoregressive integrated moving average matlab

Wprowadzenie do ARIMA: modele niesezonowe Równanie prognostyczne ARIMA (p, d, q): Modele ARIMA są, w teorii, najbardziej ogólną klasą modeli do prognozowania szeregów czasowych, które można przekształcić na 8220stacjonarne 8221 przez różnicowanie (jeśli to konieczne), być może w połączeniu z transformacjami nieliniowymi, takimi jak rejestracja lub deflacja (jeśli to konieczne). Zmienna losowa, która jest szeregiem czasowym, jest nieruchoma, jeśli jej właściwości statystyczne są stałe w czasie. Seria stacjonarna nie ma trendu, jej wahania wokół średniej mają stałą amplitudę i poruszają się w spójny sposób. tj. jego krótkoterminowe wzorce czasu losowego zawsze wyglądają tak samo w sensie statystycznym. Ten ostatni warunek oznacza, że ​​jego autokorelacje (korelacje z jego własnymi wcześniejszymi odchyleniami od średniej) pozostają stałe w czasie, lub równoważnie, że jego widmo mocy pozostaje stałe w czasie. Zmienna losowa tej postaci może być oglądana (jak zwykle) jako kombinacja sygnału i szumu, a sygnał (jeśli jest widoczny) może być wzorem szybkiej lub wolnej średniej rewersji, lub sinusoidalnej oscylacji, lub szybkiej przemiany w znaku , a także może mieć składnik sezonowy. Model ARIMA może być postrzegany jako 8220filter8221, który próbuje oddzielić sygnał od szumu, a sygnał jest następnie ekstrapolowany w przyszłość w celu uzyskania prognoz. Równanie prognostyczne ARIMA dla stacjonarnych szeregów czasowych jest równaniem liniowym (to jest typu regresyjnym), w którym predyktory składają się z opóźnień zmiennej zależnej i opóźnień błędów prognoz. Oznacza to: Przewidywaną wartość Y stałej stałej lub ważoną sumę jednej lub więcej ostatnich wartości Y i lub ważoną sumę jednej lub więcej ostatnich wartości błędów. Jeśli predykatory składają się tylko z opóźnionych wartości Y., jest to model czysto autoregresyjny (8220a-regressed8221), który jest tylko szczególnym przypadkiem modelu regresji i który może być wyposażony w standardowe oprogramowanie regresyjne. Na przykład, autoregresyjny model pierwszego rzędu (8220AR (1) 8221) dla Y jest prostym modelem regresji, w którym zmienna niezależna jest po prostu Y opóźniona o jeden okres (LAG (Y, 1) w Statgraphics lub YLAG1 w RegressIt). Jeśli niektóre z predyktorów są opóźnieniami błędów, to model ARIMA NIE jest modelem regresji liniowej, ponieważ nie ma sposobu, aby określić 8220last okres8217s błąd8221 jako zmienną niezależną: błędy muszą być obliczane na podstawie okresu do okresu kiedy model jest dopasowany do danych. Z technicznego punktu widzenia problem z wykorzystaniem opóźnionych błędów jako czynników predykcyjnych polega na tym, że przewidywania model8217 nie są liniowymi funkcjami współczynników. mimo że są liniowymi funkcjami przeszłych danych. Współczynniki w modelach ARIMA, które zawierają opóźnione błędy, muszą być oszacowane przez nieliniowe metody optymalizacji (8220hill-climbing8221), a nie przez samo rozwiązanie układu równań. Akronim ARIMA oznacza Auto-Regressive Integrated Moving Average. Lagi ze stacjonarnej serii w równaniu prognostycznym są nazywane "wartościami dodatnimi", opóźnienia błędów prognoz są nazywane "przesunięciem średniej", a szeregi czasowe, które muszą być różnicowane, aby stały się stacjonarne, są uważane za "podzielone" wersje stacjonarnej serii. Modele Random Walk i Random-Trend, modele autoregresyjne i modele wygładzania wykładniczego są szczególnymi przypadkami modeli ARIMA. Niesezonowy model ARIMA jest klasyfikowany jako model DAIMIMA (p, d, q), gdzie: p to liczba terminów autoregresyjnych, d to liczba niesezonowych różnic potrzebnych do stacjonarności, a q to liczba opóźnionych błędów prognozy w równanie predykcji. Równanie prognostyczne jest skonstruowane w następujący sposób. Po pierwsze, niech y oznacza różnicę d Y. Oznacza to: Zwróć uwagę, że druga różnica Y (przypadek d2) nie jest różnicą od 2 okresów temu. Jest to raczej różnica między pierwszą a różnicą. który jest dyskretnym analogiem drugiej pochodnej, tj. lokalnym przyspieszeniem szeregu, a nie jego lokalnym trendem. Pod względem y. ogólne równanie prognostyczne jest następujące: Tutaj parametry średniej ruchomej (9528217 s) są zdefiniowane w taki sposób, że ich znaki są ujemne w równaniu, zgodnie z konwencją wprowadzoną przez Boxa i Jenkinsa. Niektórzy autorzy i oprogramowanie (w tym język programowania R) definiują je, aby zamiast tego mieli znaki plus. Kiedy rzeczywiste liczby są podłączone do równania, nie ma dwuznaczności, ale ważne jest, aby wiedzieć, którą konwencję używa twoje oprogramowanie podczas odczytu danych wyjściowych. Często parametry są tam oznaczone przez AR (1), AR (2), 8230 i MA (1), MA (2), 8230 itd. Aby zidentyfikować odpowiedni model ARIMA dla Y. zaczynasz od określenia kolejności różnicowania (d) konieczność stacjonowania serii i usunięcia ogólnych cech sezonowości, być może w połączeniu z transformacją stabilizującą warianty, taką jak rejestracja lub deflacja. Jeśli zatrzymasz się w tym momencie i będziesz przewidywał, że zróżnicowana seria jest stała, dopasowałeś jedynie model losowego spaceru lub losowego trendu. Jednak stacjonarne serie mogą nadal mieć błędy związane z auto - korelacjami, co sugeruje, że w równaniu prognostycznym potrzebna jest również pewna liczba terminów AR (p 8805 1) i kilka warunków MA (q 8805 1). Proces określania wartości p, d i q, które są najlepsze dla danej serii czasowej, zostanie omówiony w dalszych sekcjach notatek (których linki znajdują się na górze tej strony), ale podgląd niektórych typów nietypowych modeli ARIMA, które są powszechnie spotykane, podano poniżej. ARIMA (1,0,0) Model autoregresyjny pierwszego rzędu: jeśli seria jest stacjonarna i autokorelowana, być może można ją przewidzieć jako wielokrotność jej poprzedniej wartości plus stałą. Równanie prognostyczne w tym przypadku wynosi 8230, co samo w sobie cofnęło się Y o jeden okres. Jest to model 8220ARIMA (1,0,0) constant8221. Jeżeli średnia z Y wynosi zero, wówczas nie zostałoby uwzględnione stałe wyrażenie. Jeśli współczynnik nachylenia 981 1 jest dodatni i mniejszy niż 1 w skali (musi być mniejszy niż 1 w wielkości, jeśli Y jest nieruchomy), model opisuje zachowanie polegające na odwróceniu średniej, w którym należy przypisać wartość kolejnego okresu 817 razy 981 razy jako daleko od średniej, jak ta wartość okresu. Jeżeli 981 1 jest ujemny, przewiduje zachowanie średniej odwrócenia z naprzemiennością znaków, tj. Przewiduje również, że Y będzie poniżej średniego następnego okresu, jeśli jest powyżej średniej tego okresu. W modelu autoregresyjnym drugiego rzędu (ARIMA (2,0,0)), po prawej stronie pojawi się również termin Y t-2 i tak dalej. W zależności od znaków i wielkości współczynników, model ARIMA (2,0,0) może opisywać układ, którego średnia rewersja zachodzi w sposób oscylacyjny sinusoidalnie, podobnie jak ruch masy na sprężynie poddanej losowym wstrząsom . Próba losowa ARIMA (0,1,0): Jeśli seria Y nie jest nieruchoma, najprostszym możliwym modelem jest model losowego spaceru, który można uznać za ograniczający przypadek modelu AR (1), w którym autoregresyjny Współczynnik jest równy 1, tzn. szeregowi z nieskończenie powolną średnią rewersją. Równanie predykcji dla tego modelu można zapisać jako: gdzie stałym terminem jest średnia zmiana okresu do okresu (tj. Dryf długoterminowy) w Y. Ten model może być dopasowany jako model regresji bez przechwytywania, w którym pierwsza różnica Y jest zmienną zależną. Ponieważ zawiera on (tylko) niesezonową różnicę i stały termin, jest klasyfikowany jako model DAIMA (0,1,0) ze stałą. Często Modelem bezładnego spaceru byłby ARIMA (0,1; 0) model bez stałego ARIMA (1,1,0) różny model autoregresyjny pierwszego rzędu: Jeśli błędy modelu chodzenia swobodnego są autokorelowane, być może problem można rozwiązać, dodając jedno opóźnienie zmiennej zależnej do równania predykcji - - to znaczy przez regresję pierwszej różnicy Y, która sama w sobie jest opóźniona o jeden okres. To przyniosłoby następujące równanie predykcji: które można przekształcić na To jest autoregresyjny model pierwszego rzędu z jednym rzędem niesezonowego różnicowania i stałym terminem - tj. model ARIMA (1,1,0). ARIMA (0,1,1) bez stałego prostego wygładzania wykładniczego: Inna strategia korekcji błędów związanych z autokorelacją w modelu losowego spaceru jest zasugerowana przez prosty model wygładzania wykładniczego. Przypomnijmy, że w przypadku niektórych niestacjonarnych szeregów czasowych (na przykład takich, które wykazują głośne wahania wokół wolno zmieniającej się średniej), model chodzenia losowego nie działa tak dobrze, jak średnia ruchoma wartości z przeszłości. Innymi słowy, zamiast brać ostatnią obserwację jako prognozę następnej obserwacji, lepiej jest użyć średniej z ostatnich kilku obserwacji, aby odfiltrować hałas i dokładniej oszacować średnią miejscową. Prosty model wygładzania wykładniczego wykorzystuje wykładniczo ważoną średnią ruchomą przeszłych wartości, aby osiągnąć ten efekt. Równanie predykcji dla prostego modelu wygładzania wykładniczego można zapisać w wielu matematycznie równoważnych formach. jedną z nich jest tak zwana forma 8220, korekta zera 8221, w której poprzednia prognoza jest korygowana w kierunku popełnionego błędu: Ponieważ e t-1 Y t-1 - 374 t-1 z definicji, można to przepisać jako : co jest równaniem ARIMA (0,1,1) - bez stałej prognozy z 952 1 1 - 945. Oznacza to, że możesz dopasować proste wygładzanie wykładnicze, określając je jako model ARIMA (0,1,1) bez stała, a szacowany współczynnik MA (1) odpowiada 1-minus-alfa w formule SES. Przypomnijmy, że w modelu SES średni wiek danych w prognozach z wyprzedzeniem 1 roku wynosi 1 945. Oznacza to, że będą one pozostawać w tyle za trendami lub punktami zwrotnymi o około 1 945 okresów. Wynika z tego, że średni wiek danych w prognozach 1-okresowych modelu ARIMA (0,1,1) - bez stałej wynosi 1 (1 - 952 1). Tak więc, na przykład, jeśli 952 1 0.8, średnia wieku wynosi 5. Ponieważ 952 1 zbliża się do 1, ARIMA (0,1,1) - bez stałego modelu staje się bardzo długookresową średnią ruchomą, a jako 952 1 zbliża się do 0, staje się modelem losowego chodzenia bez dryfu. Jaki jest najlepszy sposób korekcji autokorelacji: dodawanie terminów AR lub dodawanie terminów MA W dwóch poprzednich modelach omówionych powyżej, problem związanych z autokorelacją błędów w modelu losowego spaceru ustalono na dwa różne sposoby: przez dodanie opóźnionej wartości różnej serii do równania lub dodanie opóźnionej wartości błędu prognozy. Które podejście jest najlepsze Zasada praktyczna dla tej sytuacji, która zostanie omówiona bardziej szczegółowo w dalszej części, polega na tym, że pozytywna autokorelacja jest zwykle najlepiej traktowana przez dodanie do modelu warunku AR, a negatywna autokorelacja jest zwykle najlepiej traktowana przez dodanie Termin magisterski. W biznesowych i ekonomicznych szeregach czasowych negatywna autokorelacja często pojawia się jako artefakt różnicowania. (Ogólnie rzecz biorąc, różnicowanie zmniejsza pozytywną autokorelację, a nawet może spowodować przełączenie z autokorelacji dodatniej na ujemną). Tak więc model ARIMA (0,1,1), w którym różnicowanie jest połączone z terminem MA, jest częściej używany niż Model ARIMA (1,1,0). ARIMA (0,1,1) o stałym prostym wygładzaniu wykładniczym ze wzrostem: Dzięki wdrożeniu modelu SES jako modelu ARIMA można uzyskać pewną elastyczność. Po pierwsze, szacowany współczynnik MA (1) może być ujemny. odpowiada to współczynnikowi wygładzania większemu niż 1 w modelu SES, co zwykle nie jest dozwolone w procedurze dopasowania modelu SES. Po drugie, masz możliwość włączenia stałego warunku w modelu ARIMA, jeśli chcesz, aby oszacować średni niezerowy trend. Model ARIMA (0,1,1) ze stałą ma równanie prognozy: prognozy jednokresowe z tego modelu są jakościowo podobne do tych z modelu SES, z tym że trajektoria prognoz długoterminowych jest zwykle linia nachylenia (której nachylenie jest równe mu) zamiast linii poziomej. ARIMA (0,2,1) lub (0,2,2) bez stałego liniowego wygładzania wykładniczego: liniowe modele wygładzania wykładniczego są modelami ARIMA, które wykorzystują dwie niesezonowe różnice w połączeniu z terminami MA. Druga różnica w serii Y nie jest po prostu różnicą między Y a nią opóźnioną o dwa okresy, ale raczej jest pierwszą różnicą pierwszej różnicy - a. e. zmiana w Y w okresie t. Tak więc druga różnica Y w okresie t jest równa (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Druga różnica funkcji dyskretnej jest analogiczna do drugiej pochodnej funkcji ciągłej: mierzy ona przyspieszenie cytadania lub inną krzywiznę w funkcji w danym punkcie czasu. Model ARIMA (0,2,2) bez stałej przewiduje, że druga różnica szeregu równa się funkcji liniowej dwóch ostatnich błędów prognozy: która może być uporządkowana jako: gdzie 952 1 i 952 2 to MA (1) i Współczynniki MA (2). Jest to ogólny liniowy model wygładzania wykładniczego. w zasadzie taki sam jak model Holt8217s, a model Brown8217s to szczególny przypadek. Wykorzystuje wykładniczo ważone średnie ruchome do oszacowania zarówno lokalnego poziomu, jak i lokalnego trendu w serii. Długoterminowe prognozy z tego modelu zbiegają się do linii prostej, której nachylenie zależy od średniej tendencji obserwowanej pod koniec serii. ARIMA (1,1,2) bez stałego liniowego tłumienia wykładniczego. Ten model jest zilustrowany na załączonych slajdach w modelach ARIMA. Ekstrapoluje lokalny trend na końcu serii, ale spłaszcza go na dłuższych horyzontach prognozy, wprowadzając nutę konserwatyzmu, praktykę, która ma empiryczne wsparcie. Zobacz artykuł na ten temat: "Dlaczego działa Damped Trend" autorstwa Gardnera i McKenziego oraz artykuł "Zgodny z legendą" Armstronga i in. dla szczegółów. Ogólnie zaleca się trzymać modele, w których co najmniej jedno z p i q jest nie większe niż 1, tj. Nie próbować dopasować modelu takiego jak ARIMA (2,1,2), ponieważ może to prowadzić do przeuczenia oraz pytania o współczynniku równomolowym, które omówiono bardziej szczegółowo w uwagach dotyczących struktury matematycznej modeli ARIMA. Implementacja arkusza kalkulacyjnego: modele ARIMA, takie jak opisane powyżej, można łatwo wdrożyć w arkuszu kalkulacyjnym. Równanie predykcji jest po prostu równaniem liniowym, które odnosi się do przeszłych wartości pierwotnych szeregów czasowych i przeszłych wartości błędów. W ten sposób można skonfigurować arkusz kalkulacyjny prognozowania ARIMA, przechowując dane w kolumnie A, formułę prognozowania w kolumnie B oraz błędy (dane minus prognozy) w kolumnie C. Formuła prognozowania w typowej komórce w kolumnie B byłaby po prostu wyrażenie liniowe odnoszące się do wartości w poprzednich wierszach kolumn A i C, pomnożone przez odpowiednie współczynniki AR lub MA przechowywane w komórkach w innym miejscu arkusza kalkulacyjnego. Dokumentacja arima klasa Opis arima tworzy obiekty modelu dla stacjonarnego lub jednostkowego głównego niestacjonarnego modelu liniowych szeregów czasowych. Obejmuje to średnią ruchomą (MA), autoregresyjną (AR), mieszaną autoregresyjną i ruchomą średnią (ARMA), zintegrowane (ARIMA), multiplikatywne sezonowe i liniowe modele szeregów czasowych, które zawierają składnik regresji (ARIMAX). Określ modele o znanych współczynnikach, oszacuj współczynniki z danymi wykorzystującymi oszacowanie. lub symulować modele z symulacją. Domyślnie wariancja innowacji jest dodatnim skalarem, ale można określić dowolny obsługiwany model warunkowej wariancji, taki jak model GARCH. Konstrukcja Mdl arima tworzy model ARIMA stopni zero. Mdl arima (p, D, q) tworzy niesezonowy liniowy szereg czasowy z wykorzystaniem autoregresyjnego stopnia p. różnicowanie stopnia D. i średniej kroczącej stopnia q. Mdl arima (Nazwa, Wartość) tworzy liniowy model szeregów czasowych, wykorzystując dodatkowe opcje określone przez jeden lub więcej argumentów Pair, Name, Value. Nazwa to nazwa właściwości, a wartość to odpowiednia wartość. Nazwa musi pojawiać się w cudzysłowach (). Możesz podać kilka argumentów nazwa-wartość w dowolnej kolejności jako Name1, Value1. NazwaN, WartośćN. Argumenty wejściowe Uwaga: Argumentów tych można używać tylko w przypadku modeli niesezonowych. W przypadku modeli sezonowych użyj składni nazwa-wartość. Definicje Operator Lag Operator opóźnienia L jest zdefiniowany jako L yy t y t x 2212i. Można tworzyć wielomiany operatora opóźnienia, używając ich do kondensowania notacji i rozwiązywania równań różniczkowych liniowych. Wielomiany operatora opóźnienia w liniowych definicjach modeli szeregów czasowych to: x03D5 (L) 1 x2212 x03D5 L x2212 x03D5 2 L2 x2212. x2212 x03D5 p L p. czyli stopień p autoregresywny wielomian. x03B8 (L) 1 x03B8 L x03B8 2 L 2. x03B8 q L q. który jest wielomianem ruchomym stopnia q. x03A6 (L) 1 x2212 x03A6 p 1 L p 1 x2212 x03A6 p 2 L p 2 x2212. x2212 x03A6 p s L p s. czyli stopień p sezonowy autoregressive wielomian. x0398 (L) 1 x 3 098 q 1 L q 1 x 3 098 q 2 L q 2. x0398 q s L q s. który jest stopniowym wielomianem sezonowym średniej kroczącej. Uwaga: Stopnie operatorów opóźnienia w wielomianach sezonowych 934 (L) i 920 (L) nie odpowiadają tym zdefiniowanym przez Box i Jenkins 1. Innymi słowy, Econometrics Toolboxx2122 nie traktuje p 1 s. p 2 2s. p s c p s lub q 1 s. q 2 2s. q s c q s gdzie c p i c q są dodatnimi liczbami całkowitymi. Oprogramowanie jest elastyczne, ponieważ pozwala określić stopnie operatora opóźnienia. Patrz Multiplikatywne specyfikacje modeli ARIMA. Liniowy szereg czasowy Model Liniowy szereg czasowy dla procesu odpowiedzi yt i innowacji 949 t jest procesem stochastycznym, który ma postać ytc x03D5 1 yt x2212 1 x2026 x03D5 pyt x2212 p x03B5 t x03B8 1 x03B5 t x2212 1 x2026 x03B8 q x03B5 t x2212 q. W notacji operatora opóźnienia model ten wynosi x03D5 (L) y t c x03B8 (L) x03B5 t. Ogólny model szeregów czasowych, który obejmuje różnicowanie, multiplikatywną sezonowość i sezonowe różnicowanie, wynosi x03D5 (L) (1 x 2212 L) D x03A6 (L) (1 x 2212 L s) D sytc x03B8 (L) x0398 (L) x03B5 t . Współczynniki niesezonowych i sezonowych autoregresyjnych wielomianów x03D5 (L) i x03A6 (L) odpowiadają AR i SAR. odpowiednio. Stopnie tych wielomianów to p i p s. Podobnie, współczynniki wielomianów x03B8 (L) i x0398 (L) odpowiadają MA i SMA. Stopnie tych wielomianów to q i q s. odpowiednio. Wielomiany (1 x 2212 L) D i (1 x 2212 L s) D mają stopień niesezonowej i sezonowej integracji D i D s. odpowiednio. Zauważ, że s odpowiada właściwości sezonowej modelu. D s wynosi 1, jeśli Sezonowość jest różna od zera i wynosi 0 w przeciwnym razie. Oznacza to, że oprogramowanie stosuje sezonowe różnicowanie pierwszego rzędu, jeżeli Sezonowość 8805 1. Właściwość modelu Q jest równa q q s. Możesz rozszerzyć ten model, włączając macierz danych predykcyjnych. Aby uzyskać szczegółowe informacje, zobacz Model ARIMA zawierający zmienne zewnętrzne. Wymagania dotyczące stacjonarności x03D5 (L) y t c x03B8 (L) x03B5 t. gdzie 949 t ma średnią 0, wariancja 963 2. i C v (x03B5 t. x03B5 s) 0 dla t 8800 s. jest nieruchomy, jeśli jego oczekiwana wartość, wariancja i kowariancja między elementami szeregu są niezależne od czasu. Na przykład model MA (q), z c 0. jest nieruchomy dla dowolnego q x003C x221E, ponieważ E (yt) x03B8 (L) 0 0. V ar (yt) x03C3 2 x2211 i 1 q x03B8 i 2. i C ov (y t yt yt2212 s) są wolne od t dla wszystkie punkty czasowe 1. Szeregi czasowe x007B y t t 1. T x007D jest procesem pierwiastkowym, jeśli jego oczekiwana wartość, wariancja lub kowariancja rośnie wraz z upływem czasu. Następnie szeregi czasowe nie są stacjonarne. Odnośniki 1 Box, G. E. P. G. M. Jenkins i G. C. Reinsel. Analiza szeregu czasowego: prognozowanie i kontrola. 3 ed. Englewood Cliffs, NJ: Prentice Hall, 1994. 2 Enders, W. Applied Econometric Time Series. Hoboken, NJ: John Wiley amp Sons, Inc. 1995. Wybierz swój krajDokumentacja a jest stałym wektorem przesunięć, z n elementami. A i są macierzami n-przez-n dla każdego i. A i są autoregresywnymi matrycami. Istnieją p autoregresywne matryce. 949 t jest wektorem nieskorelowanych seryjnie innowacji. wektory długości n. 949 t to wielowymiarowe normalne losowe wektory z macierzą kowariancji Q. gdzie Q jest macierzą tożsamości, chyba że określono inaczej. B j są n-ty-n macierzami dla każdego j. Bj są ruchomymi macierzami średnimi. Istnieje q ruchomych średniej matryc. X t jest macierzą n-o-r reprezentującą egzogenne terminy za każdym razem t. r to liczba serii egzogenicznych. Terminy egzogeniczne to dane (lub inne niezmodowane dane wejściowe) oprócz szeregu czasowego odpowiedzi y t. b jest stałym wektorem współczynników regresji wielkości r. Tak więc produkt X t middotb jest wektorem o rozmiarze n. Zasadniczo można zaobserwować szereg czasowy y t i X t. Innymi słowy, jeśli masz dane, reprezentuje jedną lub obie z tych serii. Nie zawsze znasz przesunięcie a. współczynnik b. macierze autoregresywne A i. i ruchome średnie macierze Bj. Zazwyczaj chcesz dopasować te parametry do swoich danych. Zobacz stronę odniesienia funkcji vgxvarx, aby poznać sposoby szacowania nieznanych parametrów. Innowacje 949 t nie są obserwowalne, przynajmniej w danych, choć można je zaobserwować w symulacjach. Reprezentacja operatora Lag Istnieje równoważna reprezentacja liniowych równań autoregresji w kategoriach operatorów lag. Operator opóźnienia L przesuwa wskaźnik czasu o jeden: L y t y t 82111. Operator L m przesuwa wskaźnik czasu z powrotem o m. L m y t y t 8211 m. W postaci operatora opóźnienia równanie dla modelu SVARMAX (p. Q. R) staje się (A 0 x 2212 x2211 i 1 pA i L i) y t a X t b (B 0 x 2211 j 1 q B j L j) x03B5 t. To równanie można zapisać jako A (L) y t a X t b B (L) x03B5 t. Model VAR jest stabilny, jeśli det (I n x2212 A 1 z x2212 A 2 z 2 x2212. X2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Ten warunek oznacza, że ​​przy wszystkich innowacjach równych zeru proces VAR zbiega się w miarę upływu czasu. Zobacz Luumltkepohl 74 Rozdział 2 w celu omówienia. Model VMA jest odwracalny, jeśli det (I n B 1 z B 2 z 2. B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Ten warunek oznacza, że ​​czysta reprezentacja VAR procesu jest stabilna. Aby uzyskać wyjaśnienie sposobu konwersji modeli VAR i VMA, zobacz Zmienianie reprezentacji modeli. Zobacz Luumltkepohl 74 Rozdział 11 w celu omówienia odwracalnych modeli VMA. Model VARMA jest stabilny, jeśli jego część VAR jest stabilna. Podobnie, model VARMA jest odwracalny, jeśli jego część VMA jest odwracalna. Nie ma dobrze zdefiniowanego pojęcia stabilności lub odwracalności dla modeli z wejściami egzogennymi (np. Modele VARMAX). Egzogeniczne wejście może zdestabilizować model. Budowanie modeli VAR Aby zrozumieć wiele modeli szeregów czasowych lub wiele szeregów czasowych, zwykle wykonuje się następujące kroki: Importuj i przetwarzaj dane. Określ model. Specyfikacja Struktury bez wartości parametrów, aby określić model, kiedy MATLAB x00AE ma oszacować parametry Specyfikacja Struktury z wybranymi wartościami parametrów, aby określić model, w którym znasz niektóre parametry, i chcesz, aby MATLAB oszacował pozostałe. Określanie odpowiedniej liczby lgD w celu określenia odpowiednia liczba opóźnień dla Twojego modelu Dopasuj model do danych. Dopasowanie modeli do danych w celu użycia vgxvarx do oszacowania nieznanych parametrów w twoich modelach. Może to obejmować: Zmiana Reprezentacji modelu w celu zmiany modelu na typ obsługiwany przez vgxvarx Analiza i prognozowanie za pomocą dopasowanego modelu. Może to obejmować: Zbadanie stabilności modelu zamontowanego w celu określenia, czy model jest stabilny i odwracalny. VAR Model Forecasting do prognozowania bezpośrednio z modeli lub do prognozowania za pomocą symulacji Monte Carlo. Obliczanie odpowiedzi impulsowych w celu obliczenia odpowiedzi impulsowych, które dają prognozy oparte na założonej zmianie w danych wejściowych do szeregu czasowego. Porównaj wyniki prognoz swoich modeli z danymi przechowywanymi dla prognozowania. Na przykład zobacz Case Study przypadku VAR. Twoja aplikacja nie musi obejmować wszystkich kroków w tym przepływie pracy. Na przykład możesz nie mieć żadnych danych, ale chcesz symulować sparametryzowany model. W takim przypadku wykonasz tylko kroki 2 i 4 ogólnego przepływu pracy. Możesz powtórzyć niektóre z tych kroków. Powiązane przykłady Wybierz swój kraj