Descrição da documentação A estimativa do EstMdl (Mdl, y) usa a máxima verossimilhança para estimar os parâmetros do modelo MIM ARIMA (p, D, q), dado as séries de tempo univariadas observadas y. EstMdl é um modelo arima que armazena os resultados. EstMdl, EstParamCov, logL, estimativa de informação (Mdl, y), adicionalmente, retorna EstParamCov. A matriz de variância-covariância associada aos parâmetros estimados, logL. A função objetiva de log logística otimizada e a informação. Uma estrutura de dados de informações resumidas. EstMdl, EstParamCov, logL, estimativa de informação (Mdl, y, Nome, Valor) estima o modelo com opções adicionais especificadas por um ou mais argumentos de Nome, Valor par. Argumentos de entrada Mdl 8212 Modelo ARIMA ou ARIMAX modelo arima modelo ARIMA ou ARIMAX, especificado como um modelo arima retornado por arima ou estimativa. A estimativa trata elementos não-NaN em Mdl como restrições de igualdade e não estima os parâmetros correspondentes. Y 8212 Rastreio único de dados de resposta vetor de coluna numérica Único caminho de dados de resposta ao qual o modelo está em forma, especificado como um vetor de coluna numérica. A última observação de y é a mais recente. Argumentos de pares de nome-valor Especifique pares de vírgulas separadas de nomes, argumentos de valor. O nome é o nome do argumento e o valor é o valor correspondente. O nome deve aparecer dentro de citações simples (). Você pode especificar vários argumentos de par nome e valor em qualquer ordem como Name1, Value1. NomeN, ValueN. AR0 8212 Estimativa inicial de coeficientes auto - gressivos não-sazonais vetor numérico Estimativas iniciais dos coeficientes auto-regressivos não-sazonais para o modelo ARIMA, especificados como o par separado por vírgula constituído por AR0 e um vetor numérico. O número de coeficientes em AR0 deve ser igual ao número de atrasos associados a coeficientes diferentes de zero no polinômio autoregressivo não-sazonal, ARLags. Por padrão, a estimativa determina estimativas iniciais utilizando técnicas de série temporal padrão. Beta0 8212 Estimativas iniciais de coeficientes de regressão vector numérico Estimativas iniciais de coeficientes de regressão para o componente de regressão, especificadas como o par separado por vírgulas constituído por Beta0 e um vetor numérico. O número de coeficientes em Beta0 deve ser igual ao número de colunas de X. Por padrão, a estimativa determina estimativas iniciais utilizando técnicas de série temporal padrão. Constant0 8212 Modelo inicial ARIMA estimativa constante escalar Inicial constante da estimativa constante do modelo ARIMA, especificada como o par separado por vírgula constituído por Constant0 e um escalar. Por padrão, a estimativa determina estimativas iniciais utilizando técnicas de série temporal padrão. Exibir a opção de exibição da janela de comando 8212 Params (padrão) diagnóstico completo iter off vetor de célula de vetores de caracteres Opção de exibição da janela de comando, especificada como o par separado por vírgulas, que consiste em Display e um vetor de caracteres ou vetor de células de vetores de caracteres. Defina Display usando qualquer combinação de valores nesta tabela. Ajuste um modelo ARIMAX para uma série temporal especificando valores iniciais para a resposta e os parâmetros. O conjunto de dados de Padrões de crédito contém quatro variáveis: Taxa de inadimplência em títulos corporativos de nível de investimento (IGD) Percentagem de emissores de títulos de grau de investimento avaliados pela primeira vez há 3 anos (AGE) Previsão de um ano antes da mudança nos lucros das empresas, ajustada para Inflação (CPF) Distribuição entre as taxas das obrigações de empresas e as de títulos públicos comparáveis (SPR). Suponha que um modelo ARIMAX (1,0,0) seja apropriado para se adequar à IGD usando AGE, CPF e SPR como preditores exógenos. Carregue o conjunto de dados de Padrões de Crédito. Atribua a resposta IGD a y. Atribua os preditores AGE, CPF e SPR à matriz X. A resposta e a série de preditores exógenos devem estar estacionárias antes de continuar. Se sua resposta não for estacionária, especifique o grau de integração na declaração arima. Se seus preditores exógenos não são estacionários, então você deve diferenciá-los usando diff. A série neste exemplo é estacionária para não distrair seu objetivo principal. Separe os valores iniciais da resposta principal e preditores exógenos. Escolha valores iniciais para os coeficientes de regressão Beta0. Y0 inicializa a série de respostas e você é a principal série de respostas para estimativa. XEst é a principal matriz de preditores exógenos para estimação. Especifique o modelo Mdl para caber nos dados. Selecione a saída do seu CountryDocumentation tsmovavg (tsobj, s, lag) retorna a média móvel simples para o objeto da série temporária financeira, tsobj. Lag indica o número de pontos de dados anteriores usados com o ponto de dados atual ao calcular a média móvel. Saída tsmovavg (vetor, s, lag, dim) retorna a média móvel simples para um vetor. Lag indica o número de pontos de dados anteriores usados com o ponto de dados atual ao calcular a média móvel. Saída tsmovavg (tsobj, e, timeperiod) retorna a média móvel ponderada exponencial para o objeto da série temporária financeira, tsobj. A média móvel exponencial é uma média móvel ponderada, em que o período de tempo especifica o período de tempo. As médias móveis exponenciais reduzem o atraso aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pesa o preço mais recente em 18.18. Porcentagem Exponencial 2 (TIMEPER 1) ou 2 (WINDOWSIZE 1). Output tsmovavg (vetor, e, timeperiod, dim) retorna a média móvel ponderada exponencial para um vetor. A média móvel exponencial é uma média móvel ponderada, em que o período de tempo especifica o período de tempo. As médias móveis exponenciais reduzem o atraso aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pesa o preço mais recente em 18.18. (2 (período de tempo 1)). Saída tsmovavg (tsobj, t, numperiod) retorna a média móvel triangular para o objeto da série temporária financeira, tsobj. A média móvel triangular suaviza os dados. Tsmovavg calcula a primeira média móvel simples com a largura da janela do ceil (numperiod 1) 2. Em seguida, calcula uma segunda média móvel simples na primeira média móvel com o mesmo tamanho de janela. Saída tsmovavg (vetor, t, numperiod, dim) retorna a média móvel triangular para um vetor. A média móvel triangular suaviza os dados. Tsmovavg calcula a primeira média móvel simples com a largura da janela do ceil (numperiod 1) 2. Em seguida, calcula uma segunda média móvel simples na primeira média móvel com o mesmo tamanho de janela. Saída tsmovavg (tsobj, w, pesos) retorna a média móvel ponderada para o objeto da série temporária financeira, tsobj. Fornecendo pesos para cada elemento na janela em movimento. O comprimento do vetor de peso determina o tamanho da janela. Se fatores de peso maiores forem usados para preços mais recentes e fatores menores para preços anteriores, a tendência é mais sensível às mudanças recentes. Saída tsmovavg (vetor, w, pesos, dim) retorna a média móvel ponderada para o vetor fornecendo pesos para cada elemento na janela em movimento. O comprimento do vetor de peso determina o tamanho da janela. Se fatores de peso maiores forem usados para preços mais recentes e fatores menores para preços anteriores, a tendência é mais sensível às mudanças recentes. Saída tsmovavg (tsobj, m, numperiod) retorna a média móvel modificada para o objeto da série temporária financeira, tsobj. A média móvel modificada é semelhante à média móvel simples. Considere o argumento numperiod para ser o atraso da média móvel simples. A primeira média móvel modificada é calculada como uma média móvel simples. Os valores subsequentes são calculados adicionando o novo preço e subtraindo a última média da soma resultante. Saída tsmovavg (vetor, m, numperiod, dim) retorna a média móvel modificada para o vetor. A média móvel modificada é semelhante à média móvel simples. Considere o argumento numperiod para ser o atraso da média móvel simples. A primeira média móvel modificada é calculada como uma média móvel simples. Os valores subsequentes são calculados adicionando o novo preço e subtraindo a última média da soma resultante. Dim 8212 para operar ao longo de inteiro positivo com o valor 1 ou 2 Dimensão para operar junto, especificado como um inteiro positivo com um valor de 1 ou 2. dim é um argumento de entrada opcional e, se não for incluído como entrada, o padrão O valor 2 é assumido. O padrão de dim 2 indica uma matriz orientada por linha, onde cada linha é uma variável e cada coluna é uma observação. Se dim 1. a entrada é assumida como um vetor de coluna ou matriz orientada por coluna, onde cada coluna é uma variável e cada linha uma observação. E 8212 Indicador para vetor de caracteres de média móvel exponencial A média móvel exponencial é uma média móvel ponderada, onde o período de tempo é o período de tempo da média móvel exponencial. As médias móveis exponenciais reduzem o atraso aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pesa o preço mais recente em 18.18. Porcentagem exponencial 2 (TIMEPER 1) ou 2 (WINDOWSIZE 1) período de tempo 8212 Comprimento do período de tempo inteiro não negativo Selecione seu país
No comments:
Post a Comment