Einen zweidimensionalen Integer-Vektor, der die Befehle des Modells anpasst. Order1 entspricht dem AR-Teil und order2 dem MA-Teil. Eine Liste mit den Komponenten ar und ma. Jede Komponente ist ein Integer-Vektor, der die AR - und MA-Verzögerungen angibt, die im Modell enthalten sind. Wenn beides, Ordnung und Verzögerung. Sind gegeben, nur die Spezifikation von Verzögerung wird verwendet. Wenn gegeben, wird dieser numerische Vektor als die anfängliche Schätzung der ARMA-Koeffizienten verwendet. Der vorläufige Schätzer, der in Hannan und Rissanen (1982) vorgeschlagen wurde, wird für die Standardinitialisierung verwendet. Sollte das Modell ein Interceptlet v enthalten, um den Wert für die Perioden 1 bis T zu prognostizieren und v sein Prognosewert zum Zeitpunkt t. Wir drücken v als Summe zweier Terme aus, deren Mittelwert zur Zeit t und deren Abweichung vom Mittel zur Zeit t, epsilon. Mit anderen Worten, v overline epsilon Die Overline wird basierend auf den Argumenten ausgewählt. Der Epsilon-Term wird als normalverteilte Zufallsvariable mit Mittelwert Null und Standardabweichung Sigma () 0,234 angenommen. Die gleitende Mittelwertbildung der Ordnung q wird gewählt, MA (q), wobei q die Anzahl der verzögerten Glieder im gleitenden Durchschnitt ist. Wir verwenden die folgende gleitende durchschnittliche Spezifikation: epsilon sum mu wobei mu unabhängig verteilte normale normale Zufallsvariablen sind. Um sicherzustellen, dass die Standardabweichung von t gleich ihrem voreingestellten Wert ist, setzen wir die alpha frac) Beachten Sie, dass epsilon t von q1 zufälligen Terme abhängt. Der R-Code, den ich für das obige Modell verwendet habe, frage ich mich, dass sich Alpha durch die Zeit ändert, die der Parameter für die Figur im Papier ist: Hinweis: MA (30), (31 Termini), Sigma (epsilon) 0.234, 31 initial Werte von mu0, 10.000 Simulation Bin ich vermisst irgendetwas gefragt Ich bin fehlt jede mögliche Sache gefragt, dass ein gleitendes Durchschnittsmodell Vergangenheit verwendet wird, anstatt Vergangenheitswerte der Prognose-Variable in einer Regression zu verwenden Prognosefehler in einem Regressionsmodell. Y c et the theta e dots theta e, wobei et weißes Rauschen ist. Wir bezeichnen dies als MA (q) - Modell. Natürlich beobachten wir nicht die Werte von et, also ist es nicht wirklich Regression im üblichen Sinne. Man beachte, daß jeder Wert von yt als gewichteter gleitender Durchschnitt der letzten Prognosefehler betrachtet werden kann. Allerdings sollten gleitende Durchschnittsmodelle nicht mit der gleitenden glatten Glättung verwechselt werden, die wir in Kapitel 6 besprochen haben. Ein gleitendes Durchschnittsmodell wird für die Prognose zukünftiger Werte verwendet, während die gleitende gleitende Durchschnittskurve für die Schätzung des Trendzyklus der vergangenen Werte verwendet wird. Abbildung 8.6: Zwei Beispiele für Daten aus gleitenden Durchschnittsmodellen mit unterschiedlichen Parametern. Links: MA (1) mit yt 20e t 0,8e t-1. Rechts: MA (2) mit y t e t - e t-1 0,8e t-2. In beiden Fällen ist e t normal verteiltes Weißrauschen mit Mittelwert Null und Varianz Eins. Abbildung 8.6 zeigt einige Daten aus einem MA (1) - Modell und einem MA (2) - Modell. Das Ändern der Parameter theta1, dots, thetaq führt zu unterschiedlichen Zeitreihenmustern. Wie bei autoregressiven Modellen wird die Varianz des Fehlerterms et nur den Maßstab der Reihe ändern, nicht die Muster. Es ist möglich, jedes stationäre AR (p) - Modell als MA (infty) - Modell zu schreiben. Beispielsweise können wir dies bei einem AR (1) - Modell demonstrieren: begin yt amp phi1y et amp phi1 (phi1y e) et amp phi12y phi1 e et amp phi13y phi12e phi1 e et amptext end Vorausgesetzt -1 lt phi1 lt 1 wird der Wert von phi1k kleiner, wenn k größer wird. So erhalten wir schließlich yt und phi1 e phi12 e phi13 e cdots, ein MA (infty) Prozess. Das umgekehrte Ergebnis gilt, wenn wir den MA-Parametern einige Einschränkungen auferlegen. Dann wird das MA-Modell invertierbar. Das heißt, dass wir alle invertierbaren MA (q) Prozess als AR (infty) Prozess schreiben können. Invertible Modelle sind nicht einfach, damit wir von MA-Modellen auf AR-Modelle umwandeln können. Sie haben auch einige mathematische Eigenschaften, die sie in der Praxis einfacher zu verwenden. Die Invertibilitätsbedingungen sind den stationären Einschränkungen ähnlich. Für ein MA (1) Modell: -1lttheta1lt1. Für ein MA (2) - Modell: -1lttheta2lt1, theta2theta1 gt-1, theta1 - theta2 lt 1. Kompliziertere Bedingungen gelten für qge3. Wiederum wird R diese Einschränkungen bei der Schätzung der Modelle berücksichtigen.
No comments:
Post a Comment