Neu in Mathematica 10 › Erweiterte Zeitreihenprozesse ›

FARIMA-Parameter mit einem Spektralschätzer bestimmen 

Die Parameter des FARIMAProcess (autoregressive fractionally integrated moving-average), inklusive der Integrationsreihenfolge, können nun für skalare und vektorielle Prozesse geschätzt werden.

Die jährlichen Mindestwerte des Wasservolumens des Nils von 622 bis 1284 n. Chr.:

In[1]:=
Click for copyable input
X
In[2]:=
Click for copyable input
X
Out[2]=

Verdichten Sie die Daten und stellen Sie sie als FARIMA-Prozess dar.

In[3]:=
Click for copyable input
X
In[4]:=
Click for copyable input
X
Out[4]=

Erstellen Sie eine Prognose für die nächsten 100 Jahre und bereinigen Sie diese um das mittlere Volumen der Ursprungsdaten.

In[5]:=
Click for copyable input
X
In[6]:=
Click for copyable input
X
In[7]:=
Click for copyable input
X
Out[7]=

Related Examples

Decide Time Series Process Family and Order from Data Automatically » Identify Conditional Heteroscedacity » Airline Passengers » Constrain the Model Selection Set »
Use Different Criteria for Model Selection » Investigate Time Series Model Residuals » Study Significance of Parameters in Fitted Model » Use Fitted Model to Forecast Time Series »
Model Multiple Exchange Rates » Vector Joint Model versus Univariate Component Models » Use Vector Models with Multiple Strongly Correlated Time Series » Vector Autoregressive Process as Discretized Vector Ornstein–Uhlenbeck Process »
Time Series Processes with Nonzero Mean » Time Series Processes with Initial Conditions » Study Non-weakly Stationary Autoregressive Process » Compute Expectation of Autoregressive Moving-Average Process from Its Definition »
Use Spectral Estimator to Find FARIMA Parameters » Volatility Clustering in a GARCHProcess » Slice Distribution of GARCH(1,1) » Moments of GARCH(1,1) »
Model the Conditional Value at Risk with an ARCHProcess » Expanded Estimation Methods » Broad Performance Improvements »
en es ja pt-br zh