Pengantar ARIMA: model nonseasonal Persamaan peramalan ARIMA (p, d, q): Model ARIMA adalah, secara teori, kelas model paling umum untuk meramalkan deret waktu yang dapat dibuat menjadi 8220stationary8221 dengan membedakan (jika perlu), mungkin Dalam hubungannya dengan transformasi nonlinier seperti logging atau deflating (jika perlu). Variabel acak yang merupakan deret waktu bersifat stasioner jika sifat statistiknya konstan sepanjang waktu. Seri stasioner tidak memiliki tren, variasinya berkisar rata-rata memiliki amplitudo konstan, dan bergoyang secara konsisten. Yaitu pola waktu acak jangka pendeknya selalu terlihat sama dalam arti statistik. Kondisi terakhir ini berarti autokorelasinya (korelasi dengan penyimpangannya sendiri dari mean) tetap konstan dari waktu ke waktu, atau ekuivalen, bahwa spektrum kekuatannya tetap konstan seiring berjalannya waktu. Variabel acak dari bentuk ini dapat dilihat (seperti biasa) sebagai kombinasi antara sinyal dan noise, dan sinyal (jika ada) dapat menjadi pola pengembalian cepat atau lambat, atau osilasi sinusoidal, atau alternasi cepat pada tanda , Dan itu juga bisa memiliki komponen musiman. Model ARIMA dapat dilihat sebagai model 8220filter8221 yang mencoba memisahkan sinyal dari noise, dan sinyal tersebut kemudian diekstrapolasikan ke masa depan untuk mendapatkan perkiraan. Persamaan peramalan ARIMA untuk rangkaian waktu stasioner adalah persamaan linier (yaitu regresi-tipe) dimana prediktor terdiri dari kelambatan variabel dependen dan atau lag dari kesalahan perkiraan. Yaitu: Prediksi nilai Y adalah konstanta dan atau jumlah tertimbang dari satu atau lebih nilai Y dan satu angka tertimbang dari satu atau lebih nilai kesalahan terkini. Jika prediktor hanya terdiri dari nilai Y yang tertinggal, itu adalah model autoregresif murni (8220 self-regressed8221), yang hanyalah kasus khusus dari model regresi dan yang dapat dilengkapi dengan perangkat lunak regresi standar. Sebagai contoh, model autoregresif orde pertama (8220AR (1) 8221) untuk Y adalah model regresi sederhana dimana variabel independennya hanya Y yang tertinggal satu periode (LAG (Y, 1) dalam Statgrafik atau YLAG1 dalam RegresIt). Jika beberapa prediktor tertinggal dari kesalahan, model ARIMA TIDAK merupakan model regresi linier, karena tidak ada cara untuk menentukan error8221 8220last periodier178 sebagai variabel independen: kesalahan harus dihitung berdasarkan periode-ke-periode Saat model dipasang pada data. Dari sudut pandang teknis, masalah dengan menggunakan kesalahan tertinggal sebagai prediktor adalah bahwa prediksi model8217 bukanlah fungsi linear dari koefisien. Meskipun mereka adalah fungsi linier dari data masa lalu. Jadi, koefisien pada model ARIMA yang mencakup kesalahan tertinggal harus diestimasi dengan metode optimasi nonlinier (8220 climb-climbing8221) daripada hanya dengan memecahkan sistem persamaan. Akronim ARIMA adalah singkatan Auto-Regressive Integrated Moving Average. Lags dari rangkaian stasioner dalam persamaan peramalan disebut istilah quotautoregressivequot, kelambatan kesalahan perkiraan disebut istilah kuotasi rata-rata quotmoving average, dan deret waktu yang perlu dibedakan untuk dijadikan stasioner disebut versi seri integimental dari seri stasioner. Model random-walk dan random-trend, model autoregresif, dan model pemulusan eksponensial adalah kasus khusus model ARIMA. Model ARIMA nonseasonal diklasifikasikan sebagai model quotARIMA (p, d, q) quot, di mana: p adalah jumlah istilah autoregresif, d adalah jumlah perbedaan nonseasonal yang diperlukan untuk stasioneritas, dan q adalah jumlah kesalahan perkiraan yang tertinggal dalam Persamaan prediksi Persamaan peramalan dibangun sebagai berikut. Pertama, izinkan y menunjukkan perbedaan D dari Y. yang berarti: Perhatikan bahwa perbedaan kedua Y (kasus d2) bukanlah selisih 2 periode yang lalu. Sebaliknya, ini adalah perbedaan pertama-perbedaan-dari-pertama. Yang merupakan analog diskrit turunan kedua, yaitu akselerasi lokal dari seri daripada tren lokalnya. Dalam hal y. Persamaan peramalan umum adalah: Disini parameter rata-rata bergerak (9528217s) didefinisikan sehingga tanda-tanda mereka negatif dalam persamaan, mengikuti konvensi yang diperkenalkan oleh Box dan Jenkins. Beberapa penulis dan perangkat lunak (termasuk bahasa pemrograman R) mendefinisikannya sehingga mereka memiliki tanda plus. Bila nomor aktual dicolokkan ke dalam persamaan, tidak ada ambiguitas, tapi penting untuk mengetahui konvensi mana yang digunakan perangkat lunak Anda saat Anda membaca hasilnya. Seringkali parameter dilambangkan dengan AR (1), AR (2), 8230, dan MA (1), MA (2), 8230 dll. Untuk mengidentifikasi model ARIMA yang sesuai untuk Y. Anda memulai dengan menentukan urutan differencing (D) perlu membuat stasioner seri dan menghilangkan fitur musiman musiman, mungkin bersamaan dengan transformasi yang menstabilkan varians seperti penebangan atau pengapuran. Jika Anda berhenti pada titik ini dan meramalkan bahwa rangkaian yang berbeda adalah konstan, Anda hanya memiliki model acak berjalan atau acak acak. Namun, rangkaian stationarized masih memiliki kesalahan autokorelasi, menunjukkan bahwa beberapa jumlah istilah AR (p 8805 1) dan beberapa istilah MA (q 8805 1) juga diperlukan dalam persamaan peramalan. Proses penentuan nilai p, d, dan q yang terbaik untuk rangkaian waktu tertentu akan dibahas di bagian catatan selanjutnya (yang tautannya berada di bagian atas halaman ini), namun pratinjau beberapa jenis Model ARIMA nonseasonal yang biasa dijumpai diberikan di bawah ini. ARIMA (1,0,0) model autoregresif orde pertama: jika seri stasioner dan autokorelasi, mungkin dapat diprediksi sebagai kelipatan dari nilai sebelumnya, ditambah konstanta. Persamaan peramalan dalam kasus ini adalah 8230 yang Y regresi pada dirinya sendiri tertinggal oleh satu periode. Ini adalah model konstanta 8220ARIMA (1,0,0) constant8221. Jika mean Y adalah nol, maka istilah konstan tidak akan disertakan. Jika koefisien kemiringan 981 1 positif dan kurang dari 1 besarnya (harus kurang dari 1 dalam besaran jika Y adalah stasioner), model tersebut menggambarkan perilaku rata-rata pada nilai periodisasi berikutnya yang diperkirakan akan menjadi 981 1 kali sebagai Jauh dari mean sebagai nilai periode ini. Jika 981 1 negatif, ia memprediksi perilaku rata-rata dengan alternasi tanda, yaitu juga memprediksi bahwa Y akan berada di bawah rata-rata periode berikutnya jika berada di atas rata-rata periode ini. Dalam model autoregresif orde kedua (ARIMA (2,0,0)), akan ada istilah Y t-2 di sebelah kanan juga, dan seterusnya. Bergantung pada tanda dan besaran koefisien, model ARIMA (2,0,0) bisa menggambarkan sistem yang pembalikan rata-rata terjadi dengan mode sinusoidal oscillating, seperti gerak massa pada pegas yang mengalami guncangan acak. . ARIMA (0,1,0) berjalan acak: Jika seri Y tidak stasioner, model yang paling sederhana untuk model ini adalah model jalan acak, yang dapat dianggap sebagai kasus pembatas model AR (1) dimana autoregresif Koefisien sama dengan 1, yaitu deret dengan reversi mean yang jauh lebih lambat. Persamaan prediksi untuk model ini dapat ditulis sebagai: di mana istilah konstan adalah perubahan periode-ke-periode rata-rata (yaitu drift jangka panjang) di Y. Model ini dapat dipasang sebagai model regresi yang tidak mencegat dimana Perbedaan pertama Y adalah variabel dependen. Karena hanya mencakup perbedaan nonseasonal dan istilah konstan, model ini diklasifikasikan sebagai model quotARIMA (0,1,0) dengan konstan. Model random-walk-without - drift akan menjadi ARIMA (0,1, 0) model tanpa ARIMA konstan (1,1,0) model autoregresif orde satu yang terdesentralisasi: Jika kesalahan model jalan acak diobot dengan autokorelasi, mungkin masalahnya dapat diperbaiki dengan menambahkan satu lag variabel dependen ke persamaan prediksi - - yaitu Dengan mengundurkan diri dari perbedaan pertama Y pada dirinya sendiri yang tertinggal satu periode. Ini akan menghasilkan persamaan prediksi berikut: yang dapat diatur ulang menjadi Ini adalah model autoregresif orde pertama dengan satu urutan perbedaan nonseasonal dan istilah konstan - yaitu. Model ARIMA (1,1,0). ARIMA (0,1,1) tanpa perataan eksponensial sederhana: Strategi lain untuk memperbaiki kesalahan autokorelasi dalam model jalan acak disarankan oleh model pemulusan eksponensial sederhana. Ingatlah bahwa untuk beberapa seri waktu nonstasioner (misalnya yang menunjukkan fluktuasi yang bising di sekitar rata-rata yang bervariasi secara perlahan), model jalan acak tidak berjalan sebaik rata-rata pergerakan nilai masa lalu. Dengan kata lain, daripada mengambil pengamatan terbaru sebagai perkiraan pengamatan berikutnya, lebih baik menggunakan rata-rata beberapa pengamatan terakhir untuk menyaring kebisingan dan memperkirakan secara lebih akurat mean lokal. Model pemulusan eksponensial sederhana menggunakan rata-rata pergerakan rata-rata tertimbang eksponensial untuk mencapai efek ini. Persamaan prediksi untuk model smoothing eksponensial sederhana dapat ditulis dalam sejumlah bentuk ekuivalen matematis. Salah satunya adalah bentuk koreksi yang disebut 8220error correction8221, dimana ramalan sebelumnya disesuaikan dengan kesalahan yang dibuatnya: Karena e t-1 Y t-1 - 374 t-1 menurut definisinya, ini dapat ditulis ulang sebagai : Yang merupakan persamaan peramalan ARIMA (0,1,1) - tanpa perkiraan konstan dengan 952 1 1 - 945. Ini berarti bahwa Anda dapat menyesuaikan smoothing eksponensial sederhana dengan menentukannya sebagai model ARIMA (0,1,1) tanpa Konstan, dan perkiraan koefisien MA (1) sesuai dengan 1-minus-alpha dalam formula SES. Ingatlah bahwa dalam model SES, rata-rata usia data dalam prakiraan 1 periode adalah 1 945. yang berarti bahwa mereka cenderung tertinggal dari tren atau titik balik sekitar 1 945 periode. Dengan demikian, rata-rata usia data dalam prakiraan 1-periode-depan model ARIMA (0,1,1) - tanpa konstan adalah 1 (1 - 952 1). Jadi, misalnya, jika 952 1 0,8, usia rata-rata adalah 5. Karena 952 1 mendekati 1, model ARIMA (0,1,1) - tanpa model konstan menjadi rata-rata bergerak jangka-panjang, dan sebagai 952 1 Pendekatan 0 menjadi model random-walk-without-drift. Apa cara terbaik untuk memperbaiki autokorelasi: menambahkan istilah AR atau menambahkan istilah MA Dalam dua model sebelumnya yang dibahas di atas, masalah kesalahan autokorelasi dalam model jalan acak diperbaiki dengan dua cara yang berbeda: dengan menambahkan nilai lag dari seri yang berbeda Ke persamaan atau menambahkan nilai tertinggal dari kesalahan perkiraan. Pendekatan mana yang terbaik Aturan praktis untuk situasi ini, yang akan dibahas lebih rinci nanti, adalah bahwa autokorelasi positif biasanya paling baik ditangani dengan menambahkan istilah AR ke model dan autokorelasi negatif biasanya paling baik ditangani dengan menambahkan MA istilah. Dalam deret waktu bisnis dan ekonomi, autokorelasi negatif sering muncul sebagai artefak differencing. (Secara umum, differencing mengurangi autokorelasi positif dan bahkan dapat menyebabkan perubahan dari autokorelasi positif ke negatif.) Jadi, model ARIMA (0,1,1), di mana perbedaannya disertai dengan istilah MA, lebih sering digunakan daripada Model ARIMA (1,1,0). ARIMA (0,1,1) dengan perataan eksponensial sederhana konstan dengan pertumbuhan: Dengan menerapkan model SES sebagai model ARIMA, Anda benar-benar mendapatkan fleksibilitas. Pertama, perkiraan koefisien MA (1) dibiarkan negatif. Ini sesuai dengan faktor pemulusan yang lebih besar dari 1 dalam model SES, yang biasanya tidak diizinkan oleh prosedur pemasangan model SES. Kedua, Anda memiliki pilihan untuk memasukkan istilah konstan dalam model ARIMA jika Anda mau, untuk memperkirakan tren nol rata-rata. Model ARIMA (0,1,1) dengan konstanta memiliki persamaan prediksi: Prakiraan satu periode dari model ini secara kualitatif serupa dengan model SES, kecuali bahwa lintasan perkiraan jangka panjang biasanya adalah Garis miring (kemiringannya sama dengan mu) bukan garis horizontal. ARIMA (0,2,1) atau (0,2,2) tanpa pemulusan eksponensial linier konstan: Model pemulusan eksponensial linier adalah model ARIMA yang menggunakan dua perbedaan nonseason dalam hubungannya dengan persyaratan MA. Perbedaan kedua dari seri Y bukan hanya perbedaan antara Y dan dirinya tertinggal dua periode, namun ini adalah perbedaan pertama dari perbedaan pertama - i. Perubahan perubahan Y pada periode t. Jadi, perbedaan kedua Y pada periode t sama dengan (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Perbedaan kedua dari fungsi diskrit sama dengan turunan kedua dari fungsi kontinyu: ia mengukur kuotasi kuadrat atau quotcurvaturequot dalam fungsi pada suatu titik waktu tertentu. Model ARIMA (0,2,2) tanpa konstan memprediksi bahwa perbedaan kedua dari rangkaian sama dengan fungsi linier dari dua kesalahan perkiraan terakhir: yang dapat disusun ulang sebagai: di mana 952 1 dan 952 2 adalah MA (1) dan MA (2) koefisien. Ini adalah model pemulusan eksponensial linear umum. Dasarnya sama dengan model Holt8217s, dan model Brown8217s adalah kasus khusus. Ini menggunakan rata-rata pergerakan tertimbang eksponensial untuk memperkirakan tingkat lokal dan tren lokal dalam rangkaian. Perkiraan jangka panjang dari model ini menyatu dengan garis lurus yang kemiringannya bergantung pada tren rata-rata yang diamati menjelang akhir rangkaian. ARIMA (1,1,2) tanpa perataan eksponensial eksponensial yang terfragmentasi. Model ini diilustrasikan pada slide yang menyertainya pada model ARIMA. Ini mengekstrapolasikan tren lokal di akhir seri namun meratakannya pada cakrawala perkiraan yang lebih panjang untuk memperkenalkan catatan konservatisme, sebuah praktik yang memiliki dukungan empiris. Lihat artikel di quotWhy the Damped Trend karyaquot oleh Gardner dan McKenzie dan artikel quotGolden Rulequot oleh Armstrong dkk. Untuk rinciannya. Umumnya disarankan untuk tetap berpegang pada model di mana setidaknya satu dari p dan q tidak lebih besar dari 1, yaitu jangan mencoba menyesuaikan model seperti ARIMA (2,1,2), karena hal ini cenderung menyebabkan overfitting. Dan isu-isu kuotom-faktorquot yang dibahas secara lebih rinci dalam catatan tentang struktur matematis model ARIMA. Implementasi Spreadsheet: Model ARIMA seperti yang dijelaskan di atas mudah diterapkan pada spreadsheet. Persamaan prediksi adalah persamaan linier yang mengacu pada nilai-nilai masa lalu dari rangkaian waktu asli dan nilai kesalahan masa lalu. Dengan demikian, Anda dapat membuat spreadsheet peramalan ARIMA dengan menyimpan data di kolom A, rumus peramalan pada kolom B, dan kesalahan (data minus prakiraan) di kolom C. Rumus peramalan pada sel biasa di kolom B hanya akan menjadi Sebuah ekspresi linier yang mengacu pada nilai-nilai pada baris-kolom sebelumnya dari kolom A dan C, dikalikan dengan koefisien AR atau MA yang sesuai yang tersimpan dalam sel di tempat lain pada spreadsheet. Dokumentasi kelas arima Uraian arima menciptakan objek model untuk model stasioner linier stasioner atau unit root. Ini termasuk moving average (MA), autoregressive (AR), mixed autoregressive dan moving average (ARMA), integrated (ARIMA), multiplicative seasonal, dan linear time series model yang meliputi komponen regresi (ARIMAX). Tentukan model dengan koefisien yang diketahui, perkirakan koefisien dengan data menggunakan estimasi. Atau mensimulasikan model dengan mensimulasikan. Secara default, varians dari inovasi adalah skalar positif, namun Anda dapat menentukan model varian kondisional yang didukung, seperti model GARCH. Konstruksi Mdl arima menciptakan model ARIMA dengan derajat nol. Mdl arima (p, D, q) menciptakan model deret waktu nonseasonal linier dengan menggunakan derajat autoregresif p. Derajat perbedaan derajat D. dan derajat rata-rata bergerak q. Mdl arima (Nama, Nilai) menciptakan model deret waktu linier dengan menggunakan opsi tambahan yang ditentukan oleh satu atau lebih nama, argumen pasangan nilai. Nama adalah nama properti dan Nilai adalah nilai yang sesuai. Nama harus muncul di dalam tanda kutip tunggal (). Anda dapat menentukan beberapa argumen pasangan nama-nilai dalam urutan apapun sebagai Name1, Value1. NameN, ValueN. Masukan Argumen Catatan: Anda hanya bisa menggunakan argumen ini untuk model nonseasonal. Untuk model musiman, gunakan sintaks nilai-nama. Definisi Lag Operator Operator lag L didefinisikan sebagai L i y t y t x2212 i. Anda dapat membuat polinom operator lag menggunakan mereka untuk mengembunkan notasi dan memecahkan persamaan perbedaan linier. Polinom operator lag dalam definisi model garis waktu linier adalah: x03D5 (L) 1 x2212 x03D5 L x2212 x03D5 2 L 2 x2212. X2212 x03D5 p L hal. Yang merupakan derajat p autoregressive polinomial. X03B8 (L) 1 x03B8 L x03B8 2 L 2. X03B8 q L q. Yang merupakan derajat q moving average polinomial. 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. Yang merupakan derajat p musiman autoregresif polinomial. X0398 (L) 1 x0398 q 1 L q 1 x0398 q 2 L q 2. X0398 q s L q s. Yang merupakan derajat polimom musiman moving average. Catatan: Derajat operator lag pada polinomial musiman 934 (L) dan 920 (L) tidak sesuai dengan yang ditentukan oleh Kotak dan Jenkins 1. Dengan kata lain, Econometrics Toolboxx2122 tidak memperlakukan p 1 s. P 2 2s. P s c p s atau q 1 s. Q 2 2s. Q s c q s dimana c p dan c q adalah bilangan bulat positif. Perangkat lunak ini fleksibel karena memungkinkan Anda menentukan derajat operator lag. Lihat Spesifikasi Model ARIMA Multiplikasi. Model Seri Waktu Linear Model deret waktu linier untuk proses respon dan inovasi 949 t adalah proses stokastik yang memiliki bentuk 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. Pada notasi lag operator, model ini adalah x03D5 (L) y t c x03B8 (L) x03B5 t. Model deret waktu umum, yang meliputi differencing, multiplicative seasonality, dan seasonal differencing, adalah x03D5 (L) (1 x2212 L) D x03A6 (L) (1 x2212 L s) D sytc x03B8 (L) x0398 (L) x03B5 t . Koefisien polinomial autoregresif nonseasonal dan musiman x03D5 (L) dan x03A6 (L) sesuai dengan AR dan SAR. Masing-masing. Derajat polinomial ini p dan p. Demikian pula, koefisien polinomial x03B8 (L) dan x0398 (L) sesuai dengan MA dan SMA. Derajat polinomial ini adalah q dan q s. Masing-masing. Polinomial (1 x2212 L) D dan (1 x2212 L s) D memiliki tingkat integrasi nonseasonal dan musiman D dan D. Masing-masing. Perhatikan bahwa s sesuai dengan model properti Seasonality. D adalah 1 jika Musiman tidak nol, dan ini adalah 0 sebaliknya. Artinya, perangkat lunak menerapkan differensiasi orde pertama jika Seasonality 8805 1. Properti model Q sama dengan q q s. Anda dapat memperpanjang model ini dengan memasukkan matriks data prediktor. Untuk rinciannya, lihat Model ARIMA Termasuk Kovariat Eksogen. Kebutuhan Stationarity x03D5 (L) y t c x03B8 (L) x03B5 t. Dimana 949 t memiliki mean 0, varians 963 2. Dan C o v (x03B5 t. X03B5 s) 0 untuk t 8800 s. Adalah stasioner jika nilai yang diharapkan, varians, dan kovarians antara unsur-unsur seri tidak tergantung waktu. Misalnya, model MA (q), dengan c 0. Adalah stasioner untuk q x003C x221E karena E (yt) x03B8 (L) 0 0. V ar (yt) x03C3 2 x2211 i 1 q x03B8 i 2. dan C ov (y t. Yt x2212 s) bebas dari t untuk Semua poin waktu 1. Seri waktu x007B y t t 1. T x007D adalah proses akar unit jika nilai yang diharapkan, varians, atau kovariansinya tumbuh seiring waktu. Selanjutnya, deret waktu tidak stasioner. Referensi 1 Kotak, G. E. P. G. M. Jenkins, dan G. C. Reinsel. Analisis Time Series: Peramalan dan Pengendalian. Ed. Englewood Cliffs, NJ: Prentice Hall, 1994. 2 Enders, W. Applied Econometric Time Series. Hoboken, NJ: John Wiley amp Sons, Inc. 1995. Pilih CountryDocumentation a Anda adalah vektor offset konstan, dengan n elemen. A i adalah matriks n - by-n untuk setiap i. A i adalah matriks autoregresif. Ada matriks autoregresif p. 949 t adalah vektor inovasi serial yang tidak berkorelasi. Vektor dari panjang n. 949 t adalah vektor acak normal multivariat dengan matriks kovariansi Q. Dimana Q adalah matriks identitas, kecuali ditentukan lain. B j adalah matriks n-untuk setiap j. B j sedang memindahkan matriks rata-rata. Ada q matriks rata-rata bergerak. X t adalah matriks n-byte yang mewakili istilah eksogen setiap kali t. R adalah jumlah seri eksogen. Istilah eksogen adalah data (atau input yang tidak dimodifikasi) selain rangkaian waktu respon y t. B adalah vektor konstan dari koefisien regresi dengan ukuran r. Jadi produk X t middotb adalah vektor dengan ukuran n. Umumnya, deret waktu y t dan X t dapat diamati. Dengan kata lain, jika Anda memiliki data, itu mewakili satu atau kedua rangkaian ini. Anda tidak selalu tahu offset a. Koefisien b. Matriks autoregresif A i. Dan matriks rata-rata bergerak B j. Anda biasanya ingin memasukkan parameter ini ke data Anda. Lihat halaman referensi fungsi vgxvarx untuk memperkirakan parameter yang tidak diketahui. Inovasi tidak dapat diamati, setidaknya dalam data, meskipun dapat diamati dalam simulasi. Lag Operator Representasi Ada representasi yang setara dari persamaan autoregresif linier dalam hal operator lag. Operator lag L menggerakkan indeks waktu kembali satu: L y t y t 82111. Operator L m memindahkan indeks waktu kembali m. L m y t y t 8211 m. Dalam bentuk lag operator, persamaan untuk model SVARMAX (p. Q. R) menjadi (A 0 x2212 x2211 i 1 p A i L i) y t a X t b (B 0 x2211 j 1 q B j L j) x03B5 t. Persamaan ini dapat ditulis sebagai A (L) y t a X t b B (L) x03B5 t. Model VAR stabil jika det (I n x2212 A 1 z x2212 A 2 z 2 x2212 x2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Kondisi ini menyiratkan bahwa, dengan semua inovasi sama dengan nol, proses VAR menyatu dengan Seiring berjalannya waktu. Lihat Luumltkepohl 74 Bab 2 untuk diskusi. Model VMA dapat dibalik jika det (I n B 1 z B 2 z 2. B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Kondisi ini menyiratkan bahwa representasi VAR murni dari proses stabil. Untuk penjelasan tentang bagaimana mengkonversi antara model VAR dan VMA, lihat Mengubah Representasi Model. Lihat Luumltkepohl 74 Bab 11 untuk pembahasan model VMA yang dapat dibalik. Model VARMA stabil jika bagian VAR-nya stabil. Demikian pula, model VARMA dapat dibalik jika bagian VMA-nya dapat dibalik. Tidak ada konsep stabil atau tidak dapat dipertanggungjawabkan untuk model dengan input eksogen (misalnya model VARMAX). Masukan eksogen dapat mengganggu kestabilan model. Membangun Model VAR Untuk memahami beberapa model rangkaian waktu, atau data deret waktu, biasanya Anda melakukan langkah-langkah berikut: Data impor dan preprocess. Tentukan modelnya. Struktur Spesifikasi dengan Tidak Ada Nilai Parameter untuk menentukan model saat Anda menginginkan MATLAB x00AE untuk memperkirakan parameter Struktur Spesifikasi dengan Nilai Parameter yang Dipilih untuk menentukan model di mana Anda mengetahui beberapa parameter, dan ingin MATLAB memperkirakan yang lain Menentukan jumlah Lags yang sesuai untuk menentukan Jumlah lag yang sesuai untuk model Anda Fit model ke data. Fitting Model ke Data untuk menggunakan vgxvarx untuk memperkirakan parameter yang tidak diketahui pada model Anda. Ini bisa melibatkan: Mengubah Representasi Model untuk mengubah model Anda menjadi tipe yang ditangani vgxvarx Menganalisa dan meramalkan penggunaan model pas. Ini bisa melibatkan: Memeriksa Stabilitas Model yang Dilengkapi untuk menentukan apakah model Anda stabil dan dapat dibalik. VAR Model Forecasting untuk meramalkan secara langsung dari model atau meramalkan menggunakan simulasi Monte Carlo. Menghitung Respons Impuls untuk menghitung respons impuls, yang memberikan perkiraan berdasarkan perubahan yang diasumsikan dalam sebuah masukan ke deret waktu. Bandingkan hasil prakiraan model Anda dengan data yang dikumpulkan untuk peramalan. Sebagai contoh, lihat VAR Model Case Study. Aplikasi Anda tidak perlu melibatkan semua langkah dalam alur kerja ini. Misalnya, Anda mungkin tidak memiliki data apa pun, namun ingin mensimulasikan model parameter. Dalam hal ini, Anda hanya akan melakukan langkah 2 dan 4 dari alur kerja generik. Anda bisa melakukan iterasi melalui beberapa langkah ini. Contoh Terkait Pilih Negara Anda
No comments:
Post a Comment