Matlab的Arburg（Autoregression Burg's method）用于预测时间序列
Matlab's Arburg (Autoregression Burg's method) for forecasting time series
Matlab 的 arburg 函数 returns 形式为 [1 c(i) c(2) ... c(p)] 的系数向量，其中 p 是模型的阶数。但这些不是用于预测的系数，而是与随机输入向量一起使用来模拟随机 AR 过程。在不对测试数据进行任何预测的情况下，我如何计算模型的误差来计算 AIC 标准？这样的 AR 模型与用于预测的 AR 模型之间是否存在绝对差异？
所以我发现确实可以使用这些系数（第一个系数除外，它始终为 1）来预测下一个时间点。要使用系数，首先我们需要删除第一个系数，然后翻转并取反数组。平均绝对误差可以这样计算：
coeffs = -flip(coeffs(2:end))
error = mean(abs(time_series(t) - coeffs*time_series(t-length(coeffs):t-1)))
其中 * 是矩阵乘法，假设 coeffs 是行向量，time_series 是列向量。
Matlab 的 arburg 函数 returns 形式为 [1 c(i) c(2) ... c(p)] 的系数向量，其中 p 是模型的阶数。但这些不是用于预测的系数，而是与随机输入向量一起使用来模拟随机 AR 过程。在不对测试数据进行任何预测的情况下，我如何计算模型的误差来计算 AIC 标准？这样的 AR 模型与用于预测的 AR 模型之间是否存在绝对差异？
所以我发现确实可以使用这些系数（第一个系数除外，它始终为 1）来预测下一个时间点。要使用系数，首先我们需要删除第一个系数，然后翻转并取反数组。平均绝对误差可以这样计算：
coeffs = -flip(coeffs(2:end))
error = mean(abs(time_series(t) - coeffs*time_series(t-length(coeffs):t-1)))
其中 * 是矩阵乘法，假设 coeffs 是行向量，time_series 是列向量。