时间序列分析--第五章非平稳序列的随机分析.ppt
《时间序列分析--第五章非平稳序列的随机分析.ppt》由会员分享,可在线阅读,更多相关《时间序列分析--第五章非平稳序列的随机分析.ppt(118页珍藏版)》请在三一文库上搜索。
1、2019/6/3,时间序列分析,第五章,非平稳序列的随机分析,2019/6/3,时间序列分析,本章结构,差分运算 ARIMA模型 Auto-Regressive模型 异方差的性质 方差齐性变化 条件异方差模型,2019/6/3,时间序列分析,5.1 差分运算,差分运算的实质 差分方式的选择 过差分,2019/6/3,时间序列分析,差分运算的实质,差分方法是一种非常简便、有效的确定性信息提取方法 Cramer分解定理在理论上保证了适当阶数的差分一定可以充分提取确定性信息 差分运算的实质是使用自回归的方式提取确定性信息,2019/6/3,时间序列分析,差分方式的选择,序列蕴含着显著的线性趋势,一阶
2、差分就可以实现趋势平稳 序列蕴含着曲线趋势,通常低阶(二阶或三阶)差分就可以提取出曲线趋势的影响 对于蕴含着固定周期的序列进行步长为周期长度的差分运算,通常可以较好地提取周期信息,2019/6/3,时间序列分析,例5.1,【例1.1】1964年1999年中国纱年产量序列蕴含着一个近似线性的递增趋势。对该序列进行一阶差分运算 考察差分运算对该序列线性趋势信息的提取作用,2019/6/3,时间序列分析,差分前后时序图,原序列时序图,差分后序列时序图,2019/6/3,时间序列分析,例5.2,尝试提取1950年1999年北京市民用车辆拥有量序列的确定性信息,2019/6/3,时间序列分析,差分后序列
3、时序图,一阶差分,二阶差分,2019/6/3,时间序列分析,例5.3,差分运算提取1962年1月1975年12月平均每头奶牛的月产奶量序列中的确定性信息,2019/6/3,时间序列分析,差分后序列时序图,一阶差分,1阶12步差分,2019/6/3,时间序列分析,过差分,足够多次的差分运算可以充分地提取原序列中的非平稳确定性信息 但过度的差分会造成有用信息的浪费,2019/6/3,时间序列分析,例5.4,假设序列如下 考察一阶差分后序列和二阶差分序列 的平稳性与方差,2019/6/3,时间序列分析,比较,一阶差分 平稳 方差小,二阶差分(过差分) 平稳 方差大,2019/6/3,时间序列分析,5
4、.2 ARIMA模型,ARIMA模型结构 ARIMA模型性质 ARIMA模型建模 ARIMA模型预测 疏系数模型 季节模型,2019/6/3,时间序列分析,ARIMA模型结构,使用场合 差分平稳序列拟合 模型结构,2019/6/3,时间序列分析,ARIMA 模型族,d=0 ARIMA(p,d,q)=ARMA(p,q) P=0 ARIMA(P,d,q)=IMA(d,q) q=0 ARIMA(P,d,q)=ARI(p,d) d=1,P=q=0 ARIMA(P,d,q)=random walk model,2019/6/3,时间序列分析,随机游走模型( random walk),模型结构 模型产生典
5、故 Karl Pearson(1905)在自然杂志上提问:假如有个醉汉醉得非常严重,完全丧失方向感,把他放在荒郊野外,一段时间之后再去找他,在什么地方找到他的概率最大呢?,2019/6/3,时间序列分析,ARIMA模型的平稳性,ARIMA(p,d,q)模型共有p+d个特征根,其中p个在单位圆内,d个在单位圆上。所以当 时ARIMA(p,d,q)模型非平稳。,例5.5 ARIMA(0,1,0)时序图,2019/6/3,时间序列分析,ARIMA模型的方差齐性,时,原序列方差非齐性 d阶差分后,差分后序列方差齐性,2019/6/3,时间序列分析,ARIMA模型建模步骤,获 得 观 察 值 序 列,平
6、稳性 检验,差分 运算,Y,N,白噪声 检验,Y,分 析 结 束,N,拟合 ARMA 模型,2019/6/3,时间序列分析,例5.6,对1952年1988年中国农业实际国民收入指数序列建模,2019/6/3,时间序列分析,一阶差分序列时序图,2019/6/3,时间序列分析,一阶差分序列自相关图,2019/6/3,时间序列分析,一阶差分后序列白噪声检验,2019/6/3,时间序列分析,拟合ARMA模型,偏自相关图,2019/6/3,时间序列分析,建模,定阶 ARIMA(0,1,1) 参数估计 模型检验 模型显著 参数显著,2019/6/3,时间序列分析,ARIMA模型预测,原则 最小均方误差预测
7、原理 Green函数递推公式,2019/6/3,时间序列分析,预测值,2019/6/3,时间序列分析,例5.7,已知ARIMA(1,1,1)模型为 且 求 的95的置信区间,2019/6/3,时间序列分析,预测值,等价形式 计算预测值,2019/6/3,时间序列分析,计算置信区间,Green函数值 方差 95置信区间,2019/6/3,时间序列分析,例5.6续:对中国农业实际国民收入指数序列做为期10年的预测,2019/6/3,时间序列分析,疏系数模型,ARIMA(p,d,q)模型是指d阶差分后自相关最高阶数为p,移动平均最高阶数为q的模型,通常它包含p+q个独立的未知系数: 如果该模型中有部
8、分自相关系数 或部分移动平滑系数 为零,即原模型中有部分系数省缺了,那么该模型称为疏系数模型。,2019/6/3,时间序列分析,疏系数模型类型,如果只是自相关部分有省缺系数,那么该疏系数模型可以简记为 为非零自相关系数的阶数 如果只是移动平滑部分有省缺系数,那么该疏系数模型可以简记为 为非零移动平均系数的阶数 如果自相关和移动平滑部分都有省缺,可以简记为,2019/6/3,时间序列分析,例5.8,对1917年1975年美国23岁妇女每万人生育率序列建模,2019/6/3,时间序列分析,一阶差分,2019/6/3,时间序列分析,自相关图,2019/6/3,时间序列分析,偏自相关图,2019/6/
9、3,时间序列分析,建模,定阶 ARIMA(1,4),1,0) 参数估计 模型检验 模型显著 参数显著,2019/6/3,时间序列分析,季节模型,简单季节模型 乘积季节模型,2019/6/3,时间序列分析,简单季节模型,简单季节模型是指序列中的季节效应和其它效应之间是加法关系 简单季节模型通过简单的趋势差分、季节差分之后序列即可转化为平稳,它的模型结构通常如下,2019/6/3,时间序列分析,例5.9,拟合19621991年德国工人季度失业率序列,2019/6/3,时间序列分析,差分平稳,对原序列作一阶差分消除趋势,再作4步差分消除季节效应的影响,差分后序列的时序图如下,2019/6/3,时间序
10、列分析,白噪声检验,2019/6/3,时间序列分析,差分后序列自相关图,2019/6/3,时间序列分析,差分后序列偏自相关图,2019/6/3,时间序列分析,模型拟合,定阶 ARIMA(1,4),(1,4),0) 参数估计,2019/6/3,时间序列分析,模型检验,2019/6/3,时间序列分析,拟合效果图,2019/6/3,时间序列分析,乘积季节模型,使用场合 序列的季节效应、长期趋势效应和随机波动之间有着复杂地相互关联性,简单的季节模型不能充分地提取其中的相关关系 构造原理 短期相关性用低阶ARMA(p,q)模型提取 季节相关性用以周期步长S为单位的ARMA(P,Q)模型提取 假设短期相关
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 时间 序列 分析 第五 平稳 随机
链接地址:https://www.31doc.com/p-2905495.html