在时间序列上反转ARMA模型以获得R中的残差

这似乎是一件显而易见的事情，但我找不到一个函数：

我有一个观测的时间序列，比如x_t，和一个由AR系数给出的ARMA模型规范，比如\alpha_1，，&\alpha_p和MA系数\beta_1，，\beta_q。我想计算推动创新的向量，比如e_t

我已经阅读了过滤器的帮助，但它似乎与我需要的相反（即，它需要创新和系数，并计算观察结果）

我可以通过将系统写成Ax=Be，然后使用B^{-1}Ax来实现这一点，但是对于大型序列，这需要时间，我担心反演的数值稳定性

我们可以使用

 ts1 <- arima.sim(model=list(AR=0.5, MA=0.5), n=10)

---

ts1我想我想得太多了-很容易解决这个问题，在第一次观察之前，通过递归假设白噪声项

显然，这在R中给出了一个循环

一个变通方法是使用
阿里玛
具有
固定的
设置您的建模参数。
我想我是想得太多了-解决这个问题很容易，在第一次观察之前，通过递归假设白噪声项

显然，这在R中给出了一个循环

一个变通方法是使用
阿里玛
具有
固定的
设置您的建模参数。
正如@evilphil所建议的，只需使用带有固定参数的
arima（）。以下是一个例子：

ts1 <- arima.sim(model=list(ar=0.5, ma=0.5), n=10)
fit <- arima(ts1, order=c(1,0,1), fixed=c(.5,.5,0))
res <- residuals(fit)

ts1正如@evilphil所建议的，只需使用带有固定参数的
arima（）
。以下是一个例子：

ts1 <- arima.sim(model=list(ar=0.5, ma=0.5), n=10)
fit <- arima(ts1, order=c(1,0,1), fixed=c(.5,.5,0))
res <- residuals(fit)

ts1