Symulacja modelu MA(q)
Modele średniej ruchomej (MA) również zależą od poprzednich iteracji. W odróżnieniu od modeli AR, zależność dotyczy tutaj składnika losowego.
Oto algorytm w R:
ma1 <- function(n, mu, theta, sd) {
q <- length(theta)
x <- numeric(n)
eps <- rnorm(n, 0, sd)
for(i in seq(q + 1, n)) {
value <- mu + eps[i]
for(j in seq_len(q)) {
value <- value + theta[j] * eps[i - j]
}
x[i] <- value
}
x
}
n to liczba symulowanych obserwacji, mu to wartość oczekiwana, theta to numeryczny wektor współczynników średniej ruchomej, a sd to odchylenie standardowe składnika losowego.
Wcześniej w tym rozdziale korzystałeś z R::rnorm(), aby wygenerować pojedynczą liczbę z rozkładu normalnego. Dostępna jest również funkcja Rcpp::rnorm(), która generuje od razu cały wektor numeryczny. Przyjmuje te same argumenty co rnorm() z R.
Uzupełnij definicję funkcji ma2() – odpowiednika ma1() napisanego w C++.
To ćwiczenie jest częścią kursu
Optymalizacja kodu R za pomocą Rcpp
Instrukcje do ćwiczenia
- Wygeneruj wektor szumu jako
eps. Użyj funkcjirnorm()z przestrzeni nazwRcpp(nie z przestrzeni nazwR). - Wewnątrz zewnętrznej pętli for oblicz
valuejako sumęmuii-tego elementu wektora szumu. - Wewnątrz wewnętrznej pętli for zwiększ
valueo iloczynj-tego elementuthetai elementuepso indeksie "iminusjminus1". - Po zakończeniu pętli przypisz do
i-tego elementuxwartośćvalue.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
#include
using namespace Rcpp ;
// [[Rcpp::export]]
NumericVector ma2( int n, double mu, NumericVector theta, double sd ){
int q = theta.size();
NumericVector x(n);
// Generate the noise vector
NumericVector eps = ___(___, 0.0, ___);
// Loop from q to n
for(int i = q; i < n; i++) {
// Value is mean plus noise
double value = ___ + ___;
// Loop from zero to q
for(int j = 0; j < q; j++) {
// Increase by the jth element of theta times
// the "i minus j minus 1"th element of eps
value += ___ * ___;
}
// Set ith element of x to value
___ = ___;
}
return x ;
}
/*** R
d <- data.frame(
x = 1:50,
y = ma2(50, 10, c(1, -0.5), 1)
)
ggplot(d, aes(x, y)) + geom_line()
*/