实验三平稳时间序列分析.docVIP

实验三 平稳时间序列分析 一、实验目的：熟悉MA、AR、ARMA模型的样本自相关系数和偏相关系数的特点，利用它们识别和建立ARMA模型 17．某城市过去63年中每年降雪量数据（单位：mm）如表3-20. 126.4 82.4 78.1 51.1 90.9 76.2 104.5 87.4 110.5 25 69.3 53.5 39.8 63.6 46.7 72.9 79.6 83.6 80.7 60.3 79 74.4 49.6 54.7 71.8 49.1 103.9 51.6 82.4 83.6 77.8 79.3 89.6 85.5 58 120.7 110.5 65.4 39.9 40.1 88.7 71.4 83 55.9 89.9 84.8 105.2 113.7 124.7 114.5 115.6 102.4 101.4 89.8 71.5 70.9 98.3 55.5 66.1 78.4 120.5 97 110 表3-20 （1）判断该序列的平稳性与纯随机性 该序列的时序图如下（图1） 图1 由时序图显示过去63年中每年降雪量数据围绕早70mm附近随机波动，没有明显趋势或周期，基本可以看成平稳序列，为了稳妥起见，做了如下自相关图（图2） 图2 自相关图显示该序列自相关系数一直都比较小，1阶开始控制在2倍的标准差范围以内，可以认为该序列自始自终都在零轴附近波动，这是随即性非常强的平稳时间序列。 纯随机性检验见下图：（图3） 图3 6阶以内P值显著小于0.05，可以认为这个拟合模型的残差序列不属于白躁声序列 （2）如果序列平稳且非白躁声，选折适当模型拟合序列的发展 模型识别如下图（图4） 图4 最后一条信息显示，在自相数迟阶数小于等于5，移动平均延迟阶数也小于等于5的所有ARMA（p,q）模型中，BIC信息量相对最小的是ARMA（1，0）模型，既AR（1）模型。 （3）利用拟合模型，预测该城市未来5年的降雪量.预测结果如下图（图5） 图5 由图得未来5（64-68年）90.1mm、92.0mm、82.6mm、83.9mm、81.5mm。 18.某地区连续74年的谷物产量（单位：千吨）如表3-21所示 0.97 0.45 1.61 1.26 1.37 1.43 1.32 1.23 0.84 0.89 1.18 1.33 1.21 0.98 0.91 0.61 1.23 0.97 1.1 0.74 0.8 0.81 0.8 0.6 0.59 0.63 0.87 0.36 0.81 0.91 0.77 0.96 0.93 0.95 0.65 0.98 0.7 0.86 1.32 0.88 0.68 0.78 1.25 0.79 1.19 0.69 0.92 0.86 0.86 0.85 0.9 0.54 0.32 1.4 1.14 0.69 0.91 0.68 0.57 0.94 0.35 0.39 0.45 0.99 0.84 0.62 0.85 0.73 0.66 0.76 0.63 0.32 0.17 0.46 表3-21 （1）判断该序列的平稳性与纯随机性 该序列的时序图如下（图6） 图6 由时序图显示过去74年中每年谷物产量数据围绕早0.8千吨附近随机波动，没有明显趋势或周期，基本可以看成平稳序列，为了稳妥起见，做了如下自相关图（图7） 图7 自相关图显示该序列自相关系数一直都比较小，1阶开始控制在2倍的标准差范围以内，可以认为该序列自始自终都在零轴附近波动，这是随即性非常强的平稳时间序列。 纯随机性检验见下图：（图8） 图8 P值显著小于0.05，可以认为这个拟合模型的残差序列不属于白躁声序列 （2）选择适当模型拟合该序列的发展。 如果序列平稳且非白躁声，选折适当模型拟合序列的发展 模型识别如下图（图9） 图9 最后一条信息显示，在自相数迟阶数小于等于5，移动平均延迟阶数也小于等于5的所有ARMA（p,q）模型中，BIC信息量相对最小的是ARMA（1，0）模型，既AR（1）模型。 (3) 利用拟合模型，预测该地区未来5年的谷物产量，预测结果如下图（图10） 图10 未来5年的谷物产量一次为0.63，0.69，0.75，0.83，0.84 19现有201个连续的生产记录，如表3-22所示 81.9 89.4 79 81.4 84.8 85.9 88 80.3 82.6 83.5 80.2 85.2 87.2 83.5 84.3 82.9 84.7 82.9 81.5 83.4 87.7 81.8 79.6 85.8 77.9 89.7 85.4 86.3 80.7 83.8 90.5 84.5 82.4 86.7 83 81.8 89.3 79.3 82.7 88