第十一章_时间序列分析模型

上传人:飞*** 文档编号:51693113 上传时间:2018-08-15 格式:PPT 页数:47 大小:1.46MB
返回 下载 相关 举报
第十一章_时间序列分析模型_第1页
第1页 / 共47页
第十一章_时间序列分析模型_第2页
第2页 / 共47页
第十一章_时间序列分析模型_第3页
第3页 / 共47页
第十一章_时间序列分析模型_第4页
第4页 / 共47页
第十一章_时间序列分析模型_第5页
第5页 / 共47页
点击查看更多>>
资源描述

《第十一章_时间序列分析模型》由会员分享,可在线阅读,更多相关《第十一章_时间序列分析模型(47页珍藏版)》请在金锄头文库上搜索。

1、第十一章第十一章 时间序列分析模型时间序列分析模型1 时间序列分析模型简介 2 长江水质污染的发展趋势预测 【CUMCM 2005A】一、问题分析二、模型假设 三、模型建立四、模型预测五、结果分析 六、模型评价与改进一、时间序列分析模型概述1、自回归模型2、移动平均模型3、自回归移动平均模型 二、随机时间序列的特性分析 三、模型的识别与建立 四、模型的预测1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 ARMA模型是一类类常用的随机时间时间 序列模型, 是一种精度较较高的时间时间 序列短期预测预测 方法,其基本 思想是:某些时间时间 序列是依赖赖于时间时间 的一

2、族随 机变量,构成该时间序列的单个序列值虽然具有不确 定性,但整个序列的变化却有一定的规律性,可以用 相应的数学模型近似描述.通过对该数学模型的分析研究,能够更本质地认 识时间序列的结构与特征,达到最小方差意义下的最 优预测. ARMAARMA模型有三种基本类型:模型有三种基本类型: 自回归(自回归(ARAR:Auto-regressiveAuto-regressive)模型)模型 移动平均(移动平均(MAMA:Moving AverageMoving Average)模型)模型 自回归移动平均(自回归移动平均(ARMAARMA:Auto-regressive Moving AverageAu

3、to-regressive Moving Average)模型)模型一、概一、概 述述1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 1 1、自回归、自回归【 AR AR 】模型模型自回归序列 : 如果时间序列 是它的前期值和随机项的线性 函数,即可表示为【1】【1】式称为 阶自回归模型,记为AR( ) 注1:实参数 称为自回归系数,是待估参数. 随机项 是相互独立的白噪声序列,且服从均值为0、 方差为 的正态分布.随机项与滞后变量不相关。 注2:一般假定 均值为0,否则令 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 记 为

4、步滞后算子,即 ,则 模型【1】可表示为令 ,模型可简写为AR( )过程平稳的条件是滞后多项式 的根均在单位圆外,即 的根大于1 【2】1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 2 2、移动平均、移动平均【MAMA】模型模型移动平均序列移动平均序列 : 如果时间序列 是它的当期和前期的随机误 差项的线性函数,即可表示为【3】式【3】称为阶移动平均模型,记为MA( )注:实参数为移动平均系数,是待估参数 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 引入滞后算子,并令则模型【3】可简写 为 注1:移动平均过程无条件平稳 注2

5、:滞后多项式的根都在单位圆外时,AR过程与MA过程能相互表出,即过程可逆,【4】即为MA过程的逆转形式,也就是MA过程等价于无穷阶的AR过程注3:【2】满足平稳条件时, AR过程等价于无穷阶的MA 过程,即1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 3 3、自回归移动平均、自回归移动平均【ARMAARMA】模型模型 【B-JB-J方法建模方法建模】 自回归移动平均序列 :如果时间序列是它的当期和前期的随机误差项以及 前期值的线性函数,即可表示为【5】式【5】称为阶的自回归移动平均模型,记为ARMA注1:实参数称为自回归系数,为移动平均系数,都是模型的待估参数

6、 注2:【1】和【3】是【5】的特殊情形注3:引入滞后算子,模型【5】可简记为【6】注4:ARMA过程的平稳条件是滞后多项式 的根均在单位圆外 可逆条件是滞后多项式的根都在单位圆外 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 二、随机时间序列的特性分析二、随机时间序列的特性分析1 1、时序特性的研究工具、时序特性的研究工具 (1 1)自相关)自相关 构成时间时间 序列的每个序列值值 相关关系称为为自相关。自相关程度由自相关系数 表示时间时间 序列中相隔期的观测值观测值 之间间的相关程度。 之间的简单度量,注1 :是样本量,为滞后期,代表样本数据的算术平均值

7、注2:自相关系数 的取值范围是且越接近1,自相关程度越高 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 (2 2)偏自相关)偏自相关偏自相关是指对于时间序列,在给定 的条件下, 与之间的条件相关关系。 其相关程度用度量,有偏自相关系数其中是滞后期的自相关系数, 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 2 2、时间序列的特性分析、时间序列的特性分析 (1 1)随机性)随机性如果一个时间序列是纯随机序列,意味着序列没有任何规 律性,序列诸项之间不存在相关,即序列是白噪声序列,其 自相关系数应该与0没有显著差异。可以利用置信区

8、间理论进 行判定。在B-J方法中,测定序列的随机性,多用于模型残差以及评 价模型的优劣。 (2 2)平稳性)平稳性若时间序列 满足 1)对任意时间,其均值恒为常数; 2)对任意时间 和,其自相关系数只与时间间隔 有关,而与 的起始点无关。 那么,这个时间序列就称为平稳时间序列 。和1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 序列的平稳性也可以利用置信区间理论进行判定.需要 注意的是,在B-J方法中,只有平稳时间序列才能直接建立 ARMA模型,否则必须经过适当处理使序列满足平稳性要求在实际中,常见的时间序列多具有某种趋势,但很多序 列通过差分可以平稳 判断时间

9、序列的趋势是否消除,只需考察经过差分后序 列的自相关系数 (3 3)季节性)季节性时间序列的季节性是指在某一固定的时间间隔上,序列 重复出现某种特性.比如地区降雨量、旅游收入和空调销售额 等时间序列都具有明显的季节变化. 一般地,月度资料的时间序列,其季节周期为12个月; 季度资料的时间序列,季节周期为4个季. 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 判断时间序列季节性的标准为:月度数据,考察 时的自相关系数是否 与0有显著差异;季度数据,考察 系数是否与0有显著差异。 时的自相关说明各年中同一月(季)不相关,序列不存在季节性,否则 存在季节性. 若自相

10、关系数与0无显著不同,实际问题中,常会遇到季节性和趋势性同时存在的情况, 这时必须事先剔除序列趋势性事先剔除序列趋势性再用上述方法识别序列的季节性识别序列的季节性 ,否则季节性会被强趋势性所掩盖,以至判断错误. 包含季节性的时间序列也不能直接建立ARMA模型,需进 行季节差分消除序列的季节性,差分步长应与季节周期一致. 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 三、模型的识别与建立三、模型的识别与建立在需要对一个时间序列运用B-J方法建模时,应运用序列的 自相关与偏自相关对序列适合的模型类型进行识别,确定 适宜的阶数以及 (消除季节趋势 性后的平稳序列)1

11、 1、自相关函数与偏自相关函数、自相关函数与偏自相关函数 (1)MA()的自相关与偏自相关函数自协方差函数 是白噪声序列的方差 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 样本自相关函数 MA()序列的自相关函数在这种性质称为自相关函数的步截尾性; 以后全都是0,随着滞后期 这种特性称为偏自相关函数的拖尾性 的增加,呈现指数或者正弦波衰减,趋向于0,偏自相关函数1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 (2)AR()序列的自相关与偏自相关函数偏自相关函数 是步截尾的 ;自协方差函数 满足 自相关函数 满足 它们呈指数或者

12、正弦波衰减,具有拖尾性 (3)ARMA()序列的自相关与偏自相关函数均是拖尾的1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 2 2、模型的识别、模型的识别自相关函数与偏自相关函数是识别ARMA模型的最 主要工具,B-J方法主要利用相关分析法确定模型的阶数 . 若样本自协方差函数 在步截尾,则判断 是MA( )序列 若样本偏自相关函数在步截尾,则可判断是AR()序列 若,都不截尾,而仅是依负指数衰减,这时 可初步认为ARMA序列,它的阶要由从低阶到高阶逐步增加,再通过检验 来确定. 在,是但实际数据处理中,得到的样本自协方差函数和样本偏自相关函数只是 和的估计,

13、要使它们在某一步之后全部为0几乎是而只能是在某步之后围绕零值上下波动,故对于 和不可能的,的截尾性 只能借助于统计手段进行检验和判定。 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 (1)的截尾性判断 对于每一个 ,计算( 一般取左右),考察其中满足或 的个数是否为 的68.3%或95.5%。 如果当时, 明显地异于0,而 近似为0,且满足上述不等式的个数达到了相应的比例, 则可近似地认为 在步截尾 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 (2)的截尾性判断作如下假设检验: 存在某个,使,且统计量表示自由度为的分布 的上

14、侧分位数点 对于给定的显著性水平 ,若 ,则认为 样本不是来自AR()模型 ;,可认为 样本来自AR()模型 。注:实际中,此判断方法比较粗糙,还不能定阶,目前流行的方法是H.Akaike信息定阶准则(AIC)1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 (3)AIC准则确定模型的阶数AIC定阶准则: 是模型的未知参数的总数是用某种方法得到的方差的估计为样本大小,则定义AIC准则函数 用AIC准则定阶是指在 的一定变化范围内,寻求使得 最小的点 作为的估计。 AR()模型 :ARMA模型 :1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】

15、简介简介 3 3、参数估计、参数估计在阶数给定的情形下模型参数的估计有三种基本方法:矩 估计法、逆函数估计法和最小二乘估计法,这里仅介绍矩 估计法 (1)AR()模型 白噪声序列的方差的矩估计为1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 (2)MA()模型 (3)ARMA模型的参数矩估计分三步: i)求的估计 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 ii)令,则的自协方差函数的矩估计为 iii)把近似看作MA()序列,利用(2) 对MA()序列的参数估计方法即可 1 1 时间序列分析模型时间序列分析模型【ARMAARMA模型模型 】简介简介 4 4、模型检验、模型检验对于给定的样本数据 AIC准则确定了模型的类型和阶数,用矩估计法确定了模型 中的参数,从而建立了一个ARMA模型,来拟合真正的随机序 列。但这种拟合的优劣程度如何,主要应通过实际应 用效 果来检验,也可通过数学方法来检验。,我们通过相关分析法和下面介绍模型拟合的残量自相关检验,即白噪声检验:下面介绍模型拟合的残量自相关检验,即白噪声检验: 对于A

展开阅读全文
相关资源
相关搜索

当前位置:首页 > 行业资料 > 其它行业文档

电脑版 |金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号