尽管粘贴代码很长，但这个问题可能非常基础，与我在R中的循环困难有关。
关于ARMA（1,1）流程的this youtube video评论，评论者在# Moving-average component中提供模拟。我认为，对于我的问题，可以直接转到ARMA函数的ARMA = function(phi, theta, n = 100, init = 0, burn = 0)
{
m = n + burn # Optional burn-in
z = rnorm(m) # White noise sample
x = init
for (i in 2:m) # Generate the time series
{
# Autoregression component
p = min(length(x), length(phi)) # Prevent out-of-bounds
AR = sum(phi[1:p] * x[1:p])
# Moving-average component
q = min(i - 1, length(theta)) # Prevent out-of-bounds
MA = sum(theta[1:q] * z[(i - 1):(i - q)])
# Combined AR+MA component
new = AR + MA + z[i]
x = c(new, x) # x is built in reverse
}
# Truncate the burn-in
# Re-reverse x vector
# Return time series
ts(rev(x[1:n]))
}
plot(ARMA(0.3, 0.2))
：
q = min(i - 1, length(theta)) i对我而言似乎是一个常数，因为无论2迭代次数是多少（我们从i - 1开始，所以1是{{1} }及以上），i - 1将始终相等（在1）或大于length(theta)的情况下，theta为常数（因此length(theta) = 1） 。因此，q min始终为1。
因此，我不理解sum(theta[1:q] * z[(i - 1):(i - q)])。 z[(i - 1):(i - q)]为z[(i - 1):(i - 1)]，即z[i]。 theta[1:q]将为theta[1]，这是没有意义的，因为theta只有一个值，除非theta是向量。但事实是，我可以使用ARMA的单个值运行theta。
我错过了什么？
答案 0 :(得分：1)
您可以运行ARMA，因为n等于100并且循环产生2：m（在本例中为99）值。 1:99中的每一个都与theta相乘，得到99个不同的值（MA = sum(theta[1:q] * z[(i - 1):(i - q)])）。 z[(i - 1):(i - q)])不等于z[i]，但是z[i-1]，而theta的长度= 1。