Answers:
要回答您的问题,您基本上需要知道如何在模型中计算残差即 。因为那样。让我们首先从模型生成假数据()并拟合模型(无平均值):^ X t = X t − e t X tarma
arima(.5,.6)
arma
library(forecast)
n=1000
ts_AR <- arima.sim(n = n, list(ar = 0.5,ma=0.6))
f=arima(ts_AR,order=c(1,0,1),include.mean=FALSE)
summary(f)
Series: ts_AR
ARIMA(1,0,1) with zero mean
Coefficients:
ar1 ma1
0.4879 0.5595
s.e. 0.0335 0.0317
sigma^2 estimated as 1.014: log likelihood=-1426.7
AIC=2859.4 AICc=2859.42 BIC=2874.12
Training set error measures:
ME RMSE MAE MPE MAPE MASE
Training set 0.02102758 1.00722 0.8057205 40.05802 160.1078 0.6313145
现在,我按如下方式创建残差:(因为在1处没有残差),对于我们有:,其中和是上述拟合模型中估计的自回归和移动平均部分。这是代码:
e = rep(1,n)
e[1] = 0 ##since there is no residual at 1, e1 = 0
for (t in (2 : n)){
e[t] = ts_AR[t]-coef(f)[1]*ts_AR[t-1]-coef(f)[2]*e[t-1]
}
一旦找到残差,拟合值就是。因此,在下文中,我比较了从R获得的前10个拟合值和可以从我上面创建的(即手动)中计算出的值。
cbind(fitted.from.package=fitted(f)[1:10],fitted.calculated.manually=ts_AR[1:10]-e[1:10])
fitted.from.package fitted.calculated.manually
[1,] -0.4193068 -1.1653515
[2,] -0.8395447 -0.5685977
[3,] -0.4386956 -0.6051324
[4,] 0.3594109 0.4403898
[5,] 2.9358336 2.9013738
[6,] 1.3489537 1.3682191
[7,] 0.5329436 0.5219576
[8,] 1.0221220 1.0283511
[9,] 0.6083310 0.6048668
[10,] -0.5371484 -0.5352324
如您所见,它们之间存在接近但并不完全相同。原因是当我创建残差时,我将。但是,还有其他选择。例如,基于帮助文件to ,卡尔曼滤波器找到的残差及其方差以及因此对的计算与我略有不同。但是随着时间的流逝,它们正在融合。
现在用于Ar(1)模型。我拟合了模型(没有平均值),直接向您展示了如何使用系数计算拟合值。这次我没有计算残差。请注意,我报告了前10个拟合值,删除了第一个(因为根据您的定义,它会有所不同)。如您所见,它们是完全相同的。arima
f=arima(ts_AR,order=c(1,0,0),include.mean=FALSE)
cbind(fitted.from.package=fitted(f)[2:10],fitted.calculated.manually=coef(f)*ts_AR[1:9])
fitted.from.package fitted.calculated.manually
[1,] -0.8356307 -0.8356307
[2,] -0.6320580 -0.6320580
[3,] 0.0696877 0.0696877
[4,] 2.1549019 2.1549019
[5,] 2.0480074 2.0480074
[6,] 0.8814094 0.8814094
[7,] 0.9039184 0.9039184
[8,] 0.8079823 0.8079823
[9,] -0.1347165 -0.1347165
arima
他们在帮助文件中说:“(...)卡尔曼滤波器发现的创新及其差异。” 因此,该函数显然以某种方式将卡尔曼滤波器用于初始值。