Média Móvel Autorregressiva Com Entradas Exógenas (Armax)

Modelagem ARMAX O ARMAX é essencialmente um modelo de regressão linear que usa um modelo de tipo ARMA i para resíduos. As séries temporais de entrada e as variáveis ​​exógenas devem ser todas estacionárias ou cointegradas. O ARMAX Model Wizard no NumXL automatiza as etapas de construção do modelo: adivinhar os parâmetros iniciais, a validação dos parâmetros, o teste de qualidade do ajuste e o diagnóstico de resíduos. Para usar essa funcionalidade, selecione uma célula vazia em sua planilha e localizeelecione o ícone ARMAX na barra de ferramentas (ou o item de menu): o Assistente do modelo NumXL ARMAX aparece. Por padrão, a saída é configurada para fazer referência às células ativas em sua planilha. Em seguida, selecione ou aponte para o intervalo de células onde você armazena a amostra de dados de entrada (dependente) e as variáveis ​​exógenas (explicativas e independentes) em sua planilha. Depois de selecionar os dados de entrada, as abas Modelo e Opções estão ativadas. Clique na guia Modelo agora. Para o ARMAX, manteremos a caixa de seleção Sazonal desmarcada e configuramos a ordem de integração não-sazonal em zero (padrão). Selecione a ordem correspondente do modelo de componente auto-regressivo (AR) e a ordem do modelo de componente de média móvel. Agora, clique na guia Opções. Nesta guia, podemos instruir o Assistente de Modelos para gerar tabelas de qualidade de ajuste e diagnóstico residual. Também podemos determinar como deve inicializar os valores dos parâmetros dos modelos, com uma adivinhação rápida ou valores ótimos calibrados. Nota: Por padrão, o Assistente de Modelo gera uma rápida adivinhação dos valores dos parâmetros dos modelos, mas o usuário pode escolher gerar valores calibrados para os coeficientes dos modelos. Após a conclusão, a função de modelagem ARMAX emite os parâmetros dos modelos selecionados e os cálculos de testes selecionados no local designado da sua planilha. O assistente ARMAX adiciona tipos de comentários do Excel (cabeças de seta vermelha) às células do rótulo para descrevê-los. Um híbrido de modelo auto-regressivo não linear com entrada exógena e modelo de média móvel autorregressivo para previsão de longo prazo do estado da máquina. Este artigo apresenta uma melhora do híbrido De modelo autoregressivo não linear com modelo de entrada exógena (NARX) e modelo de média móvel autorregressiva (ARMA) para a previsão de longo prazo do estado da máquina com base em dados de vibração. Neste estudo, os dados de vibração são considerados como uma combinação de dois componentes que são dados deterministas e erros. O componente determinista pode descrever o índice de degradação da máquina, enquanto o componente de erro pode representar a aparência de partes incertas. Um modelo de previsão híbrida melhorado, ou seja, o modelo NARXndashARMA, é realizado para obter os resultados de previsão em que o modelo de rede NARX que é adequado para problemas não-lineares é usado para prever o componente determinista eo modelo ARMA são usados ​​para prever o componente de erro devido a capacidade apropriada Em previsão linear. Os resultados finais de previsão são a soma dos resultados obtidos a partir desses modelos únicos. O desempenho do modelo NARXndashARMA é então avaliado usando os dados do compressor de metano baixo adquirido da rotina de monitoramento de condições. Para corroborar os avanços do método proposto, também é realizado um estudo comparativo dos resultados de previsão obtidos no modelo NARXndashARMA e nos modelos tradicionais. Os resultados comparativos mostram que o modelo NARXndashARMA é excelente e pode ser usado como uma ferramenta potencial para a previsão do estado da máquina. Média móvel autorregressiva (ARMA) Autoregressiva não linear com entrada exógena (NARX) Previsão a longo prazo Previsão do estado da máquina Autor correspondente. Tel. 82 51 629 6152 fax: 82 51 629 6150. Copyright copy 2009 Elsevier Ltd. Todos os direitos reservados. Os cookies são usados ​​por este site. Para mais informações, visite a página de cookies. Copyright 2017 Elsevier B. V. ou seus licenciadores ou contribuidores. ScienceDirect é uma marca registrada dos modelos compostos de Elsevier BVUnivariate ARMAXGARCH, incluindo EGARCH, GJR e outras variantes Simulação e previsão multivariada de modelos VAR, VEC e cointegrados Modelos de espaço estadual e filtros de Kalman para estimação de parâmetros Testes para raiz unitária (Dickey - Fuller, Phillips-Perron) e estacionária (Leybourne-McCabe, KPSS) Testes estatísticos, incluindo taxa de verossimilhança, LM, Wald, Engles ARCH e Ljung-Box Q Cointegration, incluindo Engle-Granger e Johansen Diagnostics and utilities, incluindo o modelo AICBIC Seleção e correções parciais, automáticas e cruzadas Filtro Hodrick-Prescott para análise de ciclo de negócios As capacidades de modelagem de séries temporais em Econometrics Toolbox foram projetadas para capturar características comumente associadas a dados financeiros e econométricos, incluindo dados com caudas de gordura, agrupamento de volatilidade , E efeitos de alavanca. Os modelos médios condicionais suportados incluem: média móvel autorregressiva (ARMA) Média móvel autorregressiva com entradas exógenas (ARMAX) Média móvel integrada autoregressiva (ARIMA) com entradas exógenas (ARIMAX) Regressão com os termos de erro ARIMA Os modelos de variância condicional suportados incluem: hetreroscedasticidade condicional autorregressiva generalizada ( GARCH) Glosten-Jagannathan-Runkle (GJR) A Caixa de ferramentas de Econometria Excipiente GARCH (EGARCH) possui um conjunto completo de ferramentas para construir modelos de volatilidade variáveis ​​no tempo. A caixa de ferramentas suporta várias variantes de modelos GARCH univariados, incluindo modelos ARCHGARCH padrão, bem como modelos EGARCH e GJR assimétricos projetados para capturar efeitos de alavanca no retorno de ativos. A caixa de ferramentas também suporta a simulação de modelos de volatilidade estocástica. Modelar o risco de mercado de um portfólio hipotético de índice global de ações usando a simulação de Monte Carlo. Estimativa do risco de mercado usando o bootstrapping e a técnica de simulação histórica filtrada. As parcelas mostram os resíduos filtrados e a volatilidade dos retornos de carteira de um modelo AR (1) EGARCH (1,1) (superior direito), a carteira simulada retorna ao longo de um horizonte de um mês (esquerda) e a função de distribuição de probabilidade (inferior direita) . Selecione seu país Escolha o seu país para obter o conteúdo traduzido, quando disponível, e veja eventos e ofertas locais. Com base na sua localização, recomendamos que você selecione:. Você também pode selecionar um local da seguinte lista: Ásia-Pacífico Explore Produtos Experimente ou compre Aprenda a usar Obter suporte Sobre o MathWorks Acelerando o ritmo da engenharia e da ciência O MathWorks é o principal desenvolvedor de software de computação matemática para engenheiros e cientistas.