Devuelve una matriz de celdas para los valores ajustados en el modelo de la muestra de la media condicional, volatilidad o residuales.
Sintaxis
SARIMAX_FIT(Y, X, Order, Beta, mean, sigma, d, phi, theta, period, sd, sPhi, sTheta, Type)
- Y
- es la respuesta o la matriz con variable dependiente en la series de tiempo (una matriz dimensional de celdas (Ej. filas o columnas)).
- X
- es la matriz de variables independientes (factores exógenos) de la series de tiempo, de manera que cada columna representa una variable.
- Order
- es el orden de tiempo en la serie de datos (Ej. el primer punto corresponde a la fecha (la fecha más temprana fecha = 1 (por defecto), la última fecha = 0)).
Orden Descripción 1 Ascendente (el primer punto corresponde a la fecha más temprana (por defecto). 0 Descendente (el primer punto corresponde a la última). - Beta
- son las matrices de coeficientes de los factores exógenos.
- mean
- es la media del modelo ARMA (Ej. el largo plazo las seeries de tiempo de la regresión diferencial residual). Si falta, la media se asume como cero.
- sigma
- es el valor de la desviación estándar de los resíduos/innovations del modelo.
- d
- es el orden diferenciado no estacional.
- phi
- son los parámetros del AR no estacional componente del modelo AR(p) (comenzando con el lag más bajo).
- theta
- son los parámetros del MA no estacional componente del modelo MA(q) (comenzando con el lag más bajo).
- period
- es el número de observaciones por un periodo (Ej. 12 = Anual, 4 = Trimestral).
- sd
- es el orden diferencial estacional.
- sPhi
- son los parámetros del AR estacional componente de modelo AR(p) (comenzando con el lag más bajo).
- sTheta
- son los parámetros del MA estacional componente de modelo MA(q) (comenzando con el lag más bajo).
- Type
- es un número entero para seleccionar el tipo de salida: (1 = Media (por defecto), 2 = Volatilidad, 3 = Residuos Brutos, 4 = Residuos Estandarizados)
Orden Descripción 1 Media Ajustada (por defecto). 2 Desviación estándar ajustada o volatilidad. 3 Residuos brutos (no-estandardizados). 4 Residuos Estandarizados.
Observaciones
- El modelo subyacente se describe aquí.
- La función de probabilidad logarítmica (LLF) se describe aquí.
- Each column in the explanatory factors input matrix (Ej. X) corresponds to a separate variable.
- Cada fila en la matriz de la entrada de los factores explicatorios (Ej. X) corresponde a una observación.
- Las observaciones (Ej. filas) con valores faltantes en X o Y son asumidas como faltantes.
- El número de filas de la variable explicatoria (X) debe ser igual al número de filas de la variable de respuesra (Y).
- Las series de tiempo son homogéneas e igualmente espaceadas.
- La series de tiempo pueden incluir valores faltantes (Ej. #N/A) a los extremos.
- La intersección o el el argumento de entrada de la regresión constante es opcional.Si se omite, un valor de cero es asumido.
- Para el argumento de entrada - Beta:
- El argumento de entrada es opcional y puede ser omitido, en este caso el componente de regresión no es incluido (Ej. solamente SARIMA).
- El orden de los parámetros define como se pasan los argumentos de entrada los factores exógenos.
- Uno o más parámetros pueden tener valores faltantes o un error de código (Ej. #NUMERO!, #VALOR!, etc.).
- El argumento media a largo plazo de lo residuos diferenciados de la regresión pueden tomar cualquier valor.Si es omitido, un valor cero es asumido.
- Los resíduos de la desviación estándar (sigma) debe ser mayor a cero.
- Para el argumento de entrada - phi (parámetros de de AR componente no estacional):
- El argumento de entrada es opcional y puede ser omitido, en este caso el componente AR no estacional no es incluido.
- El orden de los parámetros comineza con el lag más bajo.
- Uno o más parámetros pueden tener valores faltantes o un error de código (Ej. #NUMERO!, #VALOR!, etc.).
- El oden del modelo componente no estacional AR es solamente determinado por el orden del último valor en la matríz con un valor numérico (vs. faltante o error).
- Para el argumento de entrada - theta (parámetros del componente no estacional MA):
- El argumento de entrada es opcional y puede ser omitido, en este caso el componente MA no estacional no es incluido.
- El orden de los parámetros comineza con el lag más bajo.
- Uno o más parámetros pueden tener valores faltantes o un error de código (Ej. #NUMERO!, #VALOR!, etc.).
- El orden del modelo componente no estacional MA es solamente determinado por el orden del último valor en la matríz con un valor numérico (vs. faltante o error).
- Para el argumento de entrada - sPhi (parámetros del componente estacional AR):
- El argumento de entrada es opcional y puede ser omitido, en este caso el componente estacional AR no es incluido.
- El orden de los parámetros comineza con el lag más bajo.
- Uno o más parámetros pueden tener valores faltantes o un error de código (Ej. #NUMERO!, #VALOR!, etc.).
- El orden del modelo componente estacional AR es solamente determinado por el orden del último valor en la matríz con un valor numérico (vs. faltante o error).
- Para el argumento de entrada - sTheta (parámetros del componente estacional MA):
- El argumento de entrada es opcional y puede ser omitido, en este caso el componente estacional MA es incluido.
- El orden de los parámetros comineza con el lag más bajo.
- Uno o más parámetros pueden tener valores faltantes o un error de código (Ej. #NUMERO!, #VALOR!, etc.).
- El orden del modelo componente estacional MA es solamente determinado por el orden del último valor en la matríz con un valor numérico (vs. faltante o error).
- Para el orden de integración no estacional - d - es opcional y puede s, en este caso d es asumida como cero.
- Para el orden de integración estacional - sD - es opcional y puede ser omitido, en este caso sD es asumida como cero.
- La duración de la estacionalidad- s - es opcional y puede ser omitida, en este caso s es asumida como cero (Ej. ARIMA simple).
- La función fue adicionad en versión 1.63 SHAMROCK.
Ejemplos de archivos
Enlaces Relacionados
- Wikipedia - Función de verosimilitud.
- Wikipedia - Likelihood principle.
- Wikipedia - Modelo Autorregresivo de media móvil.
Referencias
- Hamilton, J.D.; Time Series Analysis, Princeton University Press (1994), ISBN 0-691-04289-6.
- Tsay, Ruey S.; Analysis of Financial Time Series John Wiley & SONS. (2005), ISBN 0-471-690740.
Comentarios
El artículo está cerrado para comentarios.