这看起来似乎是一个简单的任务，但是通过Matlab中的“预测”文档我发现这看起来不必要地复杂，所以我可能看错了方向。
假设我有'数据'：
$ X_ {1}，\ ldots，X_ {10} $ = {4.5368,5.8243,5.4501,5.6528,4.3195,4.0114,2.4993,2.2201,1.3771,0.7707}。
我相信我可以使用ARMA（p，q）（或ARIMA（p，d，q））模型来拟合这些数据。例如，我想为这个数据拟合ARMA（2,3）模型，即
$ X_ {t} - \ phi_ {1} X_ {t-1} - \ phi X_ {t-2} = Z_ {t} + \ theta_ {1} Z_ {t-1} + \ theta_ { 2} Z_ {t-2} + \ theta_ {3} Z_ {t-3} $，其中$ Z_ {t} \ sim WN（0,1）$。
我可以手动完成创新算法，但对于大型数据集，这变得不可能。有没有办法在Matlab中做到这一点？特别是，我想检查预测变量$ \ hat {X} _ {4}，\ ldots，\ hat {X} _ {10} $。 （可能还有计算过程中的其他值。）如何使用“预测”（或其他一些功能）？
我尝试使用“估计”：
[EstMdl,EstParamCov,logL,info] = estimate(arima('ARLags',1:2,'D',0,'MALags',1:3,'Constant',0),data);
然后预测三个值：
predict(EstMdl,data,3)
但显然Matlab并没有将'EstMdl'作为一个有效的模型（虽然'EstMdl'在预测$ X_ {11}，X_ {12}，\ ldots $时使用“预测”功能：[y，ymse ] =预测（EstMdl，3， 'Y0'，数据））。
我需要求助于“idpoly”，“armax”或“idss”来定义模型？怎么做？
顺便说一句：我使用$ \ phi_ {1} = 1，\ phi_ {2} = - 0.24，\ theta_ {1} = 0.4，\ theta_ {2} = 0.2，\ theta_在R中生成'数据' {3} = 0.1 $。
data<-arima.sim(n = 10, list(ar = c(1,-0.24), ma = c(0.4,0.2,0.1)),sd = sqrt(1))
也欢迎R的解决方案。