J'essaie vraiment, mais de la difficulté, de comprendre comment l'Autoregressive et Moving Average travaillent. Je suis assez terrible avec l'algèbre et en regardant il doesnt vraiment améliorer ma compréhension de quelque chose. Ce que j'aimerais vraiment est un exemple extrêmement simple de dire 10 observations dépendantes du temps afin que je puisse voir comment ils fonctionnent. Donc, disons que vous avez les points de données suivants du prix de l'or: Par exemple, à la période 10, quelle serait la moyenne mobile de Lag 2, MA (2), soit Or MA (1) et AR (1) ou AR (2) J'ai traditionnellement appris à propos de la moyenne mobile est quelque chose comme: Mais quand on regarde les modèles ARMA, MA est expliqué en fonction des termes d'erreur précédente, que je ne peux pas obtenir ma tête autour. Est-ce juste une façon plus chic de calculer la même chose que j'ai trouvé ce post utile: (Comment comprendre SARIMAX intuitivement), mais whist l'algèbre aide, je ne peux pas voir quelque chose de vraiment clair jusqu'à ce que je vois un exemple simplifié de celui-ci. Étant donné les données sur les prix de l'or, vous devez d'abord estimer le modèle et ensuite voir comment cela fonctionne (prévisions d'analyse impulsion-réponse). Peut-être devriez-vous réduire votre question à seulement la deuxième partie (et laisser de côté l'estimation). C'est-à-dire que vous fournissez un modèle AR (1) ou MA (1) ou quel que soit le modèle (par exemple xt0.5 x varepsilont) et demandez-nous comment ce modèle particulier fonctionne. Ndash Richard Hardy Aug 13 15 at 19:58 Pour tout modèle AR (q), le moyen facile d'estimer les paramètres est d'utiliser OLS - et d'exécuter la régression de: pricet beta0 beta1 cdot prix dotso betaq cdot prix Lets do so (En R): (Ok, donc j'ai triché un peu et utilisé la fonction arima dans R, mais il donne les mêmes estimations que la régression OLS - essayez). Voyons maintenant le modèle MA (1). Maintenant, le modèle MA est très différent du modèle AR. La MA est l'erreur moyenne pondérée des périodes passées, où le modèle AR utilise les valeurs des données réelles des périodes antérieures. Le MA (1) est: pricet mu wt theta1 cdot w Où mu est la moyenne, et wt sont les termes d'erreur - pas la valeur previoes du prix (comme dans le modèle AR). Maintenant, hélas, nous ne pouvons pas estimer les paramètres par quelque chose d'aussi simple que OLS. Je ne vais pas couvrir la méthode ici, mais la fonction R arima utilise la likihood maximum. Essayons: Hope this helps. (2) En ce qui concerne la question MA (1). Vous dites que le résidu est de 1,0023 pour la deuxième période. Ça a du sens. Ma compréhension du résidu est la différence entre la valeur prévue et la valeur observée. Mais vous dites alors la valeur prévue pour la période 2, est calculée à l'aide du résidu pour la période 2. Est-ce que c'est la valeur inconnue de la valeur prévue pour la période 2 juste (0.54230 4.9977) ndash TE 17 août 15 à 11: 24Documentation est le moyen inconditionnel de Le processus et x03C8 (L) est un polynôme opérateur de ralentissement rationnel à degré infini, (1 x03C8 1 L x03C8 2 L 2 x2026). Remarque: La propriété Constant d'un objet modèle arima correspond à c. Et non la moyenne inconditionnelle 956. Par décomposition de Wolds 1. L'équation 5-12 correspond à un processus stochastique stationnaire pourvu que les coefficients x03C8 i soient absolument sommables. C'est le cas lorsque le polynôme AR, x03D5 (L). Est stable. Ce qui signifie que toutes ses racines se situent en dehors du cercle unité. De plus, le processus est causal à condition que le polynôme MA soit inversible. Ce qui signifie que toutes ses racines se situent en dehors du cercle unité. Econometrics Toolbox applique la stabilité et l'inversibilité des processus ARMA. Lorsque vous spécifiez un modèle ARMA en utilisant arima. Vous obtenez une erreur si vous entrez des coefficients qui ne correspondent pas à un polynôme AR stable ou à un polynôme MA inversible. De même, l'estimation impose des contraintes de stationnarité et d'inversibilité pendant l'estimation. Références 1 Wold, H. Une étude dans l'analyse des séries chronologiques stationnaires. Uppsala, Suède: Almqvist amp Wiksell, 1938. Sélectionnez votre modèle CountryARMA Cet exemple montre comment tracer la fonction de réponse impulsionnelle pour un modèle de moyenne mobile autorégressive (ARMA). Le modèle ARMA (p. Q) est donné par Un processus ARMA est stationnaire à condition que le polynôme opérateur AR soit stable, c'est-à-dire que toutes ses racines se trouvent en dehors du cercle unitaire. Dans ce cas, le polynôme inverse de degré infini,. A des coefficients absolument sommables, et la fonction de réponse impulsionnelle décroît à zéro. Étape 1. Spécifiez un modèle ARMA. Étape 2. Tracer la fonction de réponse impulsionnelle. Tracez la fonction de réponse impulsionnelle pendant 10 périodes. MATLAB et Simulink sont des marques déposées de The MathWorks, Inc. Veuillez consulter mathworkstrademarks pour obtenir une liste des autres marques de commerce appartenant à The MathWorks, Inc. Les autres noms de produits ou de marques sont des marques de commerce ou des marques déposées de leurs propriétaires respectifs. Sélectionnez votre pays
No comments:
Post a Comment